Harvard University（哈佛大学）

Algorithmic Impact Reveals the Hidden Social Choice Structure of Alignment

算法影响揭示对齐的隐藏社会选择结构

Zachary Wojtowicz, Michelle Si, Finale Doshi-Velez, Ariel Procaccia

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 该研究将AI对齐问题转化为凸影响空间上的线性优化，结合福利经济学与机制设计，推导了防策略的社会选择机制及最大化功利主义社会福利的对齐协议，并通过多领域人类偏好实证验证其福利影响。

CoMMa: Contribution-Aware Medical Multi-Agents for Decentralized Oncology Decision Support

从博弈论视角出发的贡献感知医疗多智能体：CoMMa

Yichen Wu, Kailong Fan, Sangjoon Park, Yuhan Liu, Zhiyi Shi, Sekeun Kim, Dania Daye, Hana Farzaneh, Xiang Li, Raul Uppot, Yujin Oh, Quanzheng Li

机构 * Center for Advanced Medical Computing（先进医学计算中心） ； Department of Radiology, Massachusetts General Hospital（放射科，马萨诸塞总医院） ； Harvard Medical School（哈佛医学院） ； Department of Radiation Oncology, Yonsei University College of Medicine（放射肿瘤科，延世大学医学院） ； Yonsei University（延世大学） ； Institute for Innovation in Digital Healthcare（数字医疗创新研究所） ； Interventional Radiology Academic Medical Centers, Mass General Brigham（介入放射学学术医疗中心，马萨诸塞总医院 Brigham） 纠错

AI总结 CoMMa从博弈论视角提出一种去中心化医疗多智能体框架，通过确定性嵌入投影实现贡献感知的信用分配，提升肿瘤学决策支持的准确性和稳定性。

Comments 9 pages, 5 figures

Anytime Pretraining: Horizon-Free Learning-Rate Schedules with Weight Averaging

任意时间预训练：无时间范围的学习率调度与权重平均

Alexandru Meterez, Pranav Ajit Nair, Depen Morwani, Cengiz Pehlevan, Sham Kakade

机构 * Harvard University（哈佛大学） ； Kempner Institute at Harvard University（哈佛大学凯默纳研究所） 纠错

AI总结 本研究提出了一种无需时间范围的学习率调度方法，通过权重平均实现与余弦调度相当的预训练效果。

crossMoDA Challenge: Evolution of Cross-Modality Domain Adaptation Techniques for Vestibular Schwannoma and Cochlea Segmentation from 2021 to 2023

crossMoDA挑战赛：2021至2023年前庭神经鞘瘤与耳蜗分割的跨模态域自适应技术演进

Navodini Wijethilake, Reuben Dorent, Marina Ivory, Aaron Kujawa, Stefan Cornelissen, Patrick Langenhuizen, Mohamed Okasha, Anna Oviedova, Hexin Dong, Bogyeong Kang, Guillaume Sallé, Luyi Han, Ziyuan Zhao, Han Liu, Yubo Fan, Tao Yang, Shahad Hardan, Hussain Alasmawi, Santosh Sanjeev, Yuzhou Zhuang, Satoshi Kondo, Maria Baldeon Calisto, Shaikh Muhammad Uzair Noman, Cancan Chen, Ipek Oguz, Rongguo Zhang, Mina Rezaei, Susana K. Lai-Yuen, Satoshi Kasai, Yunzhi Huang, Chih-Cheng Hung, Mohammad Yaqub, Lisheng Wang, Benoit M. Dawant, Cuntai Guan, Ritse Mann, Vincent Jaouen, Tae-Eui Kam, Li Zhang, Jonathan Shapey, Tom Vercauteren

机构 * School of BMEIS, King's College London, London, United Kingdom（伦敦国王学院生物医学工程与信息科学学院） ； Harvard University, USA（哈佛大学） ； Elisabeth-TweeSteden Hospital, Tilburg, Netherlands（蒂尔堡埃利斯贝特-特维德登医院） ； King's College Hospital, London, United Kingdom（伦敦国王学院医院） ； Center for Data Science, Peking University, Beijing, China（北京大学数据科学中心） ； Center for Data Science in Health and Medicine, Peking University, Beijing, China（北京大学健康与医学数据科学中心） ； Department of Artificial Intelligence, Korea University, Seoul, Republic of Korea（韩国大学人工智能系） ； Department of Radiology and Nuclear Medicine, Radboud University Medical Center, Geert Grooteplein 10, 6525 GA, Nijmegen, The Netherlands（拉德堡德大学医学中心放射科与核医学科） ； Department of Radiology, The Netherlands Cancer Institute, Plesmanlaan 121, 1066 CX, Amsterdam, The Netherlands（荷兰癌症研究所放射科） ； Nanyang Technological University, Singapore（南洋理工大学） ； Vanderbilt University, USA（范德比尔特大学） ； Department of Automation, Shanghai Jiao Tong University, Shanghai, China（上海交通大学自动化系） ； Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE（阿布扎克穆罕默德·本·扎耶德人工智能大学） ； School of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan, China（华中科技大学计算机科学与技术学院） ； Center for Machine Vision and Security Research, Kennesaw State University, Marietta, MA 30060, USA（肯尼斯州立大学机器视觉与安全研究中心） ； Muroran Institute of Technology, Hokkaido, Japan（北海道Muroran理工学院） ； Niigata University of Health and Welfare, Niigata, Japan（Niigata健康与福利大学） ； University of South Florida, Tampa, FL, USA（佛罗里达州立大学） ； Infervision Advanced Research Institute, Beijing, China（北京Infervision高级研究 institutes） ； Academy for Multidisciplinary Studies, Capital Normal University, Beijing, China（北京师范大学多学科研究学院） ； School of Automation, Nanjing University of Information Science and Technology, Nanjing 210044, China（南京信息科学技术大学自动化学院） 纠错

AI总结 该研究回顾2021-2023年crossMoDA挑战赛，分析跨模态域自适应技术在VS与耳蜗分割任务中的演进，发现数据规模与异构性提升可改善分割性能，但耳蜗Dice评分2023年下降，提示需更具挑战性的跨模态任务。