Johns Hopkins University（约翰斯·霍普金斯大学）

Making Large Language Models Efficient Dense Retrievers

使大语言模型成为高效密集检索器

Yibin Lei, Shwai He, Ang Li, Andrew Yates

机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Johns Hopkins University, HLTCOE（约翰霍普金斯大学 HLTCOE） 纠错

AI总结 EffiR通过粗到细的MLP压缩策略和检索特定微调，使大语言模型在保持性能的同时显著减少模型大小和推理成本。

HistoWAS: A Pathomics Framework for Large-Scale Feature-Wide Association Studies of Tissue Topology and Patient Outcomes

HistoWAS：一种用于大规模组织拓扑和患者结果特征宽关联研究的病理组学框架

Yuechen Yang, Junlin Guo, Yanfan Zhu, Jialin Yue, Junchao Zhu, Yu Wang, Shilin Zhao, Haichun Yang, Xingyi Guo, Jovan Tanevski, Laura Barisoni, Avi Z. Rosenberg, Yuankai Huo

机构 * Department of Computer Science, Vanderbilt University（计算机科学系，范德比尔特大学） ； Department of Radiation Oncology, Washington University in St. Louis（放射肿瘤学系，华盛顿大学圣路易斯分校） ； Department of Biostatistics, Vanderbilt University Medical Center（生物统计学系，范德比尔特大学医学中心） ； Department of Pathology, Microbiology and Immunology, Vanderbilt University Medical Center（病理学、微生物学和免疫学系，范德比尔特大学医学中心） ； Department of Medicine, Vanderbilt University Medical Center（医学系，范德比尔特大学医学中心） ； Institute for Computational Biomedicine, Heidelberg University and Heidelberg University Hospital（计算生物医学研究所，海德堡大学和海德堡大学医院） ； Department of Pathology, Duke University（病理学系，杜克大学） ； Department of Pathology, Johns Hopkins University School of Medicine（病理学系，约翰霍普金斯大学医学院） 纠错

AI总结 HistoWAS通过整合拓扑和空间特征，实现大规模组织结构与患者结果的关联分析，用于生物标志物发现和临床研究。