Georgia Institute of Technology（佐治亚理工学院）

Mitigating Bias in Automated Grading Systems for ESL Learners: A Contrastive Learning Approach

缓解对英语作为第二语言学习者自动评分系统中的偏见：一种对比学习方法

Kevin Fan, Eric Yun

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Georgia State University（佐治亚州立大学） 纠错

AI总结 本文提出通过对比学习方法缓解自动评分系统对ESL学习者偏见的问题，通过构建匹配文章对数据集并使用三元组边际损失，有效减少了高熟练度评分差距，保持了评分一致性。

VISTA-PATH: An interactive foundation model for pathology image segmentation and quantitative analysis in computational pathology

VISTA-PATH: 一种交互式的基础模型用于计算病理学中病理图像分割和定量分析

Peixian Liang, Songhao Li, Shunsuke Koga, Yutong Li, Zahra Alipour, Yucheng Tang, Daguang Xu, Zhi Huang

机构 * Department of Pathology and Laboratory Medicine, University of Pennsylvania（病理学与实验室医学系，宾夕法尼亚大学） ； Department of Electrical and System Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学） ； Department of Biomedical Engineering, Georgia Institute of Technology and Emory University（生物医学工程系，佐治亚理工学院和埃默里大学） ； NVIDIA Corporation（NVIDIA公司） ； Department of Biostatistics, Epidemiology and Informatics, University of Pennsylvania（生物统计学、流行病学与信息学系，宾夕法尼亚大学） 纠错

AI总结 VISTA-PATH是一种交互式基础模型，通过整合专家反馈和多类分割，提升病理图像分割的临床应用价值。

Differentiable Cyclic Causal Discovery Under Unmeasured Confounders

可微分的未测量混杂变量下的循环因果发现

Muralikrishnna G. Sethuraman, Faramarz Fekri

机构 * School of Electrical & Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 DCCD-CONF提出了一种可微分学习非线性循环因果图的新框架，以应对未测量混杂因素，通过干预数据优化图结构和混杂分布，提升因果图恢复和混杂识别性能。

A physics-informed, vision-based method to reconstruct all deformation modes in slender bodies

一种融合物理的基于视觉的方法用于重建细长体的全部变形模式

Seung Hyun Kim, Heng-Sheng Chang, Chia-Hsien Shih, Naveen Kumar Uppalapati, Udit Halder, Girish Krishnan, Prashant G. Mehta, Mattia Gazzola

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Twentieth Century Fox（二十世纪福克斯） ； Starfleet Academy（星际舰队学院） ； Tyrell Inc.（泰勒尔公司） 纠错

AI总结 本文提出了一种融合物理的基于视觉的方法，用于准确重建细长柔性体的全部变形模式，通过实验验证其在软机器人中的应用效果。

Comments This work has been submitted to the IEEE RA-L with ICRA 2022 for possible publication. For associated data and code, see https://github.com/GazzolaLab/BR2-vision-based-smoothing