Harvard University（哈佛大学）

Early science acceleration experiments with GPT-5

使用GPT-5进行早期科学加速实验

Sébastien Bubeck, Christian Coester, Ronen Eldan, Timothy Gowers, Yin Tat Lee, Alexandru Lupsasca, Mehtaab Sawhney, Robert Scherrer, Mark Sellke, Brian K. Spears, Derya Unutmaz, Kevin Weil, Steven Yin, Nikita Zhivotovskiy

机构 * OpenAI ； University of Oxford（牛津大学） ； Collège de France and University of Cambridge（法兰西学院和剑桥大学） ； Vanderbilt University（范德比大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； The Jackson Laboratory（杰克逊实验室） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文通过GPT-5在多个学科中的应用案例，展示了AI如何加速科学研究，并验证了其在解决数学难题中的潜力。

Comments 89 pages

RB-FT: Rationale-Bootstrapped Fine-Tuning for Video Classification

RB-FT：基于理由的视频分类微调

Meilong Xu, Di Fu, Jiaxing Zhang, Gong Yu, Jiayu Zheng, Xiaoling Hu, Dongdi Zhao, Feiyang Li, Chao Chen, Yong Cao

机构 * Stony Brook University（石溪大学） ； ByteDance Inc.（字节跳动公司） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 RB-FT通过自动生成的理由提升视频分类性能，无需额外标注，有效提升模型对领域特定视频内容的理解能力。

Comments 11 pages, 2 figures

OWT: A Foundational Organ-Wise Tokenization Framework for Medical Imaging

OWT：一种面向医学影像的器官级分词框架

Sifan Song, Siyeop Yoon, Pengfei Jin, Sekeun Kim, Matthew Tivnan, Yujin Oh, Runqi Meng, Ling Chen, Zhiliang Lyu, Dufan Wu, Ning Guo, Xiang Li, Quanzheng Li

机构 * Center for Advanced Medical Computing and Analysis (CAMCA), Massachusetts General Hospital and Harvard Medical School（先进医学计算与分析中心（CAMCA）、麻省总医院和哈佛医学院） 纠错

AI总结 OWT提出了一种器官级分词框架，通过解耦医学影像中的器官信息，提升可解释性和泛化能力，并在临床应用中展现强大性能。

TopoTune : A Framework for Generalized Combinatorial Complex Neural Networks

TopoTune：一种通用组合复杂神经网络框架

Mathilde Papillon, Guillermo Bernárdez, Claudio Battiloro, Nina Miolane

机构 * University California Santa Barbara, USA（加州大学圣芭芭拉分校） ； Harvard University, USA（哈佛大学） 纠错

AI总结 TopoTune提出了一种通用组合复杂神经网络框架，通过拓扑深度学习方法提升多向交互建模能力，实现更高效且灵活的神经网络训练。

Provably Robust Pre-Trained Ensembles for Biomarker-Based Cancer Classification

可证明稳健的预训练集成模型用于基于生物标志物的癌症分类

Chongmin Lee, Jihie Kim

机构 * Harvard University（哈佛大学） ； Dongguk University（东国大学） 纠错

AI总结 本文提出可证明稳健的预训练集成模型，用于基于生物标志物的癌症分类，实现高准确率和稳健性，同时减少特征使用和调优需求。

Comments Accepted to the AIAA Workshop at IJCAI 2024