高校专区
BideDPO：基于文本和条件对齐的同时图像生成
机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学） ； Huawei Technologies Ltd., China（华为技术有限公司）
AI总结 BideDPO通过双向解耦的DPO框架解决文本与条件间的冲突，提升图像生成的准确性和一致性。
Comments 29 pages
一种用于结合dMRI和fMRI数据的新型双流框架用于dMRI束追踪分类
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Zhejiang University of Technology（浙江工业大学） ； University of Tel Aviv（特拉维夫大学） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出一种结合dMRI和fMRI的双流框架，用于提升白质束分区的功能一致性，通过预训练网络和辅助网络实现更精确的束分类。
Comments Submitted to ISBI 2026, 7 pages, 2 figures
认知基础与推理及其在大语言模型中的体现
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学）
AI总结 本文通过分析LLMs推理机制，揭示其在复杂问题上的表现优于简单变体，提出基于认知科学的28项元素分类，并开发测试时推理指导方法，提升复杂问题性能达66.7%。
Comments 40 pages, 4 tables, 6 figures
多阶段删失的贝叶斯模型
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； UC Berkeley（伯克利大学）
AI总结 本文提出了一种多阶段删失的贝叶斯模型，用于医疗决策中的漏斗结构，通过实验发现性别在ICU收治决策中的风险差异。
Comments Proceedings of ML4H 2025
时间中的先验：语言模型可解释性中缺失的归纳偏置
机构 * Goodfire AI ； Independent（独立） ； SEAS, Harvard University（哈佛大学SEAS学院） ； EPFL（瑞士联邦理工学院） ； Kempner Institute at Harvard University（哈佛大学凯普内研究所） ； Department of Psychology, Stanford University（斯坦福大学心理学系） ； Department of Psychology, Harvard University（哈佛大学心理学系） ； Decode Research ； Boston University（波士顿大学）
AI总结 本文提出时序特征分析方法，通过引入时序归纳偏置，改进语言模型表示的可解释性，有效区分抽象与新颖信息，克服现有方法的局限。
Comments Preprint
LLM的聚焦性如何？通过重复确定性预测任务的定量研究
机构 * EdenCode Inc.（EdenCode公司） ； Stevenson School（斯蒂文森学校） ； Harvard University（哈佛大学） ； UC Davis（加州大学戴维斯分校） ； Path Integral Technology, Inc.（路径积分技术公司）
AI总结 研究通过重复确定性预测任务揭示LLM在长序列中的准确性下降现象，提出统计物理模型解释内部干扰与外部条件的竞争，建立误差积累机制。
视觉错位揭示了视觉模型在整体形状处理中的隐藏差异
机构 * Dept. of Psychology & Kempner Institute（心理学系及凯普勒研究所） ； Harvard University（哈佛大学）
AI总结 本研究通过构型形状分数揭示视觉模型在整体形状处理中的差异，表明应整合局部纹理与全局构型信息以提升模型鲁棒性。
Comments Project page: https://www.fenildoshi.com/configural-shape/ updated email address
黑箱NLP 2025共享任务成果：语言模型中电路和因果变量的本地化
机构 * Technion – IIT（技术学院-理工学院） ； Rice University（里士满大学） ； Boston University（波士顿大学） ； Tilburg University（蒂尔堡大学） ； University of Groningen（格罗宁根大学） ； University of Zagreb（扎格雷布大学） ； Harvard University（哈佛大学）
AI总结 黑箱NLP 2025共享任务评估了语言模型中电路和因果变量的本地化方法，通过集成和正则化策略提升了电路本地化性能，通过低维投影提升了因果变量本地化效果。
在数据有限的情况下改进自杀尝试预测
机构 * Wellesley College（韦尔斯利学院） ； Harvard University（哈佛大学）
AI总结 本文提出基于潜在相似性高斯过程的方法，在数据有限的情况下提升对自杀尝试的预测性能。
Comments Accepted at the TS4H Workshop at NeurIPS 2025
SCALER：基于SAM的增强协同学习用于标签匮乏的隐蔽物体分割
机构 * Duke University（杜克大学） ； Harvard University（哈佛大学） ； Apple（苹果公司） ； Meta ； Nankai University（南开大学）
AI总结 SCALER通过联合优化分割器和SAM，提升隐蔽物体分割在标签稀缺条件下的性能。
Comments 4 figures, 6 tables
一种用于缩短蛋白质同时保持其功能的扩散模型
机构 * New York University（纽约大学） ； Harvard University（哈佛大学）
AI总结 SCISOR是一种新的离散扩散模型，通过删除蛋白质序列中的字母来生成更现实的蛋白质，同时保持其功能。
Comments Code available at https://github.com/baronet2/SCISOR
路径和骨轮廓正则化的无配对MRI到CT翻译
机构 * School of Computer Science and Technology, Guangdong University of Technology, Guangzhou, China（计算机科学与技术学院，广东技术大学，广州，中国） ； Neurological Institute, Cleveland Clinic, OH, USA（神经医学研究院，克利夫兰医学中心，俄亥俄州，美国） ； Department of Neurosurgery, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou, China（神经外科，中山大学附属第一医院，广州，中国） ； Brigham and Women’s Hospital, Harvard Medical School, MA, USA（布里奇沃特医院，哈佛医学院，马萨诸塞州，美国） ； Department of Radiology, Medical Imaging Center, University Medical Center Groningen, University of Groningen, 9712 CP Groningen, The Netherlands（放射科，医学影像中心，格罗宁根大学医学中心，格罗宁根大学，荷兰）
AI总结 本文提出了一种路径和骨轮廓正则化的无配对MRI到CT翻译方法，通过神经普通微分方程建模连续流，并利用骨轮廓生成网络提升骨结构翻译精度。
Journal ref Comput. Med. Imag. Graph. (2025) 102656
利用竞赛计算零样本分类中LLM的AUROC
机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院）
AI总结 本文提出利用LLM进行零样本分类的AUROC计算，通过成对比较和Elo评分系统提升分类性能并提供更多信息。
Comments The 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025, Findings). The code is available at: https://github.com/Machine-Learning-for-Medical-Language/cnlp_llm
Journal ref In Findings of the Association for Computational Linguistics: EMNLP 2025, pages 23583-23591, Suzhou, China. Association for Computational Linguistics
GP-GPT：用于基因-表型映射的大型语言模型
机构 * Department of Computer Science and Engineering, The University of Texas at Arlington（计算机科学与工程系，德克萨斯理工大学 Arlington 分校） ； School of Computing, University of Georgia（计算学院，佐治亚大学） ； Department of Computer Science, Indiana University Indianapolis（计算机科学系，印第安纳大学 Indianapolis 分校） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School（放射科，麻省总医院和哈佛医学院） ； Department of Statistics, University of Georgia（统计系，佐治亚大学） ； Department of Epidemiology & Biostatistics, University of Georgia（流行病学与生物统计学系，佐治亚大学） ； Department of Environmental Health Science, University of Georgia（环境流行病学系，佐治亚大学）
AI总结 GP-GPT是一种专为基因-表型映射设计的大型语言模型，通过在基因组和医学遗传学领域进行微调，实现了对遗传信息的高效检索和分析，并在多个任务中超越了现有最先进的LLMs。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈