Harvard University（哈佛大学）

Real-time Remote Tracking and Autonomous Planning for Whale Rendezvous using Robots

使用机器人进行实时远程追踪和自主规划的座头鲸会合系统

Sushmita Bhattacharya, Ninad Jadhav, Hammad Izhar, Karen Li, Kevin George, Robert Wood, Stephanie Gil

机构 * Harvard University（哈佛大学） ； Project CETI 纠错

AI总结 本文提出了一种基于模型强化学习的实时远程追踪和自主规划系统，用于海上座头鲸会合任务。

Journal ref International Symposium of Experimental Robotics 2025

VirDA: Reusing Backbone for Unsupervised Domain Adaptation with Visual Reprogramming

VirDA: 利用视觉重编程复用骨干网络进行无监督域适应

Duy Nguyen, Dat Nguyen

机构 * Hanoi University of Science and Technology（河内科学技术大学） ； Harvard University（哈佛大学） 纠错

AI总结 VirDA通过视觉重编程层实现无监督域适应，利用领域特定纹理偏见提升性能，仅用1.5M参数达到92.8%准确率，超越现有方法。

Comments To be published in TMLR

Coefficient of Variation Masking: A Volatility-Aware Strategy for EHR Foundation Models

方差系数掩码：一种考虑波动性的电子健康记录基础模型策略

Rajna Fani, Rafi Al Attrach, David Restrepo, Yugang Jia, Leo Anthony Celi, Peter Schüffler

机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； MICS CentraleSupélec – Université Paris-Saclay（巴黎萨克雷大学CentraleSupélec研究所） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； Institute of Pathology Technical University of Munich（慕尼黑技术大学病理研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 本文提出CV-Masking策略，通过考虑特征波动性改进EHR基础模型的预训练，提升重建性能和下游任务表现。

Comments 16 pages, 9 figures, 1 table, 1 algorithm. Accepted at Machine Learning for Health (ML4H) 2025, Proceedings of the Machine Learning Research (PMLR)

Spatiotemporal Satellite Image Downscaling with Transfer Encoders and Autoregressive Generative Models

时空卫星图像降尺度的迁移编码与自回归生成模型

Yang Xiang, Jingwen Zhong, Yige Yan, Petros Koutrakis, Eric Garshick, Meredith Franklin

机构 * University of Toronto（多伦多大学） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院） ； Harvard Medical School（哈佛医学院） ； VA Healthcare System Boston, U.S. Department of Veterans Affairs（美国退伍军人事务部波士顿医疗系统） 纠错

AI总结 本文提出基于迁移学习和自回归生成模型的时空卫星图像降尺度方法，通过预训练U-Net编码器和扩散模型，实现高分辨率图像重建，提升环境监测效果。

Domain-randomized deep learning for neuroimage analysis

领域随机化的深度学习用于神经影像分析

Malte Hoffmann

机构 * Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） 纠错

AI总结 本文介绍了一种领域随机化深度学习方法，通过合成数据提升神经影像分析的泛化能力和鲁棒性，减少对计算资源的依赖。

Comments 12 pages, 6 figures, 2 tables, deep learning, domain generalization, domain randomization, neuroimaging, medical image analysis, accepted for publication in IEEE Signal Processing Magazine

Journal ref IEEE Signal Process Mag, 42 (4), 2025, 78-90

scE2TM improves single-cell embedding interpretability and reveals cellular perturbation signatures

scE2TM提升了单细胞嵌入的可解释性并揭示了细胞扰动特征

Hegang Chen, Yuyin Lu, Yifan Zhao, Zhiming Dai, Fu Lee Wang, Qing Li, Yanghui Rao, Yue Li

机构 * School of Computer Science and Engineering, Sun Yat-sen University, Guangzhou, China（中山大学计算机科学与工程学院） ； School of Computer Science, McGill University, Montreal, Canada（麦吉尔大学计算机科学学院） ； Department of Biomedical Informatics, Harvard Medical School, Boston, USA（哈佛医学院生物医学信息学系） ； School of Science and Technology, Hong Kong Metropolitan University, Hong Kong, China（香港 metropolitan 大学科学与技术学院） ； Department of Computing, The Hong Kong Polytechnic University, Hong Kong, China（香港理工大学计算系） 纠错

AI总结 scE2TM通过外部知识引导的嵌入式主题模型提升单细胞嵌入的可解释性，揭示细胞扰动特征和生物通路一致性。

Learning accurate rigid registration for longitudinal brain MRI from synthetic data

从合成数据中学习准确的纵向脑部MRI刚体配准

Jingru Fu, Adrian V. Dalca, Bruce Fischl, Rodrigo Moreno, Malte Hoffmann

机构 * 1 Division of Biomedical Imaging, KTH Royal Institute of Technology, Huddinge, Sweden 2 Athinoula A.\ Martinos Center for Biomedical Imaging, Charlestown, USA 3 Department of Radiology, Massachusetts General Hospital, Boston, USA 4 Department of Radiology, Harvard Medical School, Boston, USA 5 Computer Science \& Artificial Intelligence Laboratory, MIT, Cambridge, USA 纠错

AI总结 本文提出了一种基于合成数据训练的模型，用于提高纵向脑部MRI刚体配准的准确性。

Comments 5 pages, 4 figures, 1 table, rigid image registration, deep learning, longitudinal analysis, neuroimaging, accepted by the IEEE International Symposium on Biomedical Imaging

Journal ref IEEE Int Symp Biomed Imaging, 2025, 1-5

WiSER-X: Wireless Signals-based Efficient Decentralized Multi-Robot Exploration without Explicit Information Exchange

WiSER-X：基于无线信号的高效去中心化多机器人探索无需显式信息交换

Ninad Jadhav, Meghna Behari, Robert J. Wood, Stephanie Gil

机构 * John A. Paulson School of Engineering and Applied Sciences, Harvard University（约翰·A·保罗森工程与应用科学学校，哈佛大学） 纠错

AI总结 WiSER-X通过本地无线信号估计实现高效去中心化多机器人探索，减少冗余覆盖重叠，无需显式信息共享。