Harvard University（哈佛大学）

FALCON: Few-step Accurate Likelihoods for Continuous Flows

FALCON: 连续流中少步准确的似然性

Danyal Rehman, Tara Akhound-Sadegh, Artem Gazizov, Yoshua Bengio, Alexander Tong

机构 * Mila – Quebec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； AITHYRA ； McGill University（麦吉尔大学） ； Harvard University（哈佛大学） 纠错

AI总结 FALCON通过混合训练目标提升连续流的似然精度，实现高效分子采样，比现有模型快两个数量级。

Comments Preprint; NeurIPS 2025 MLSB

Stanford Sleep Bench: Evaluating Polysomnography Pre-training Methods for Sleep Foundation Models

斯坦福睡眠基准：评估多导睡眠图预训练方法用于睡眠基础模型

Magnus Ruud Kjaer, Rahul Thapa, Gauri Ganjoo, Hyatt Moore, Poul Joergen Jennum, Brandon M. Westover, James Zou, Emmanuel Mignot, Bryan He, Andreas Brink-Kjaer

机构 * Stanford University（斯坦福大学） ； Technical University of Denmark（技术大学） ； Danish Center for Sleep Medicine（丹麦睡眠医学中心） ； University of Copenhagen（哥本哈根大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 斯坦福睡眠基准通过大规模多导睡眠图数据集评估多种自监督预训练方法，提升睡眠分析的准确性和可重复性。

CONCUR: A Framework for Continual Constrained and Unconstrained Routing

CONCUR：连续约束和无约束路由的框架

Peter Baile Chen, Weiyue Li, Dan Roth, Michael Cafarella, Samuel Madden, Jacob Andreas

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 CONCUR提出了一种支持连续和无约束路由的框架，通过模块化设计和多表示学习提升路由效率与准确性。

Resolving Conflicts in Lifelong Learning via Aligning Updates in Subspaces

通过在子空间中对齐更新来解决终身学习中的冲突

Yueer Zhou, Yichen Wu, Ying Wei

机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学） 纠错

AI总结 PS-LoRA通过在优化子空间中对齐更新，解决终身学习中的冲突问题，提升模型在新领域适应时的稳定性与效率。

Optimizing Algorithms for Mobile Health Interventions with Active Querying Optimization

优化移动健康干预中的算法以实现主动查询优化

Aseel Rawashdeh

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出一种贝叶斯扩展的ATM算法，以提升移动健康干预中强化学习的稳定性与样本效率，同时揭示现有方法在复杂现实场景中的局限性。

Classifying Phonotrauma Severity from Vocal Fold Images with Soft Ordinal Regression

从声带图像中利用软序数回归分类声音创伤严重程度

Katie Matton, Purvaja Balaji, Hamzeh Ghasemzadeh, Jameson C. Cooper, Daryush D. Mehta, Jarrad H. Van Stan, Robert E. Hillman, Rosalind Picard, John Guttag, S. Mazdak Abulnaga

机构 * Massachusetts Institute of Technology（麻省理工学院） ； School of Communication Sciences and Disorders University of Central Florida（中央佛罗里达大学通信科学与障碍学系） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； Center for Laryngeal Surgery and Voice Rehabilitation（嗓音外科与嗓音康复中心） ； Department of Surgery（外科部门） ； Institute of Health Professions（健康专业研究所） ； Athinoula Martinos Center（阿提尼奥拉马丁诺斯中心） 纠错

AI总结 本文提出了一种基于软序数回归的方法，用于自动分类声音创伤的严重程度，实现了接近临床专家的预测性能并提供可靠的不确定性估计。

Comments 16 pages, 9 figures, 5 tables; ML4H 2025; Proceedings of Machine Learning Research 297, 2025