Johns Hopkins University（约翰斯·霍普金斯大学）

WeDefense: A Toolkit to Defend Against Fake Audio

WeDefense：一种用于对抗假音频的工具包

Lin Zhang, Johan Rohdin, Xin Wang, Junyi Peng, Tianchi Liu, You Zhang, Hieu-Thi Luong, Shuai Wang, Chengdong Liang, Anna Silnova, Nicholas Evans

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Brno University of Technology（布拉格技术大学） ； National Institute of Informatics（国家信息研究所） ； National University of Singapore（新加坡国立大学） ； University of Rochester（罗切斯特大学） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； WeNet Opensource Community（WeNet开源社区） ； EURECOM 纠错

AI总结 WeDefense是一个开源工具包，旨在提供标准化的假音频检测与定位解决方案，包含灵活的输入增强、校准、分数融合和标准化评估指标等核心功能。

Comments This is an ongoing work. v1 corresponds to the version completed by June 4, 2025 and previously submitted to ASRU 2025

Proximal Policy Optimization with Evolutionary Mutations

具有进化突变的近端策略优化

Casimir Czworkowski, Stephen Hornish, Alhassan S. Yasin

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出POEM，通过引入进化突变机制改进PPO，提升探索能力，在多个任务中表现优于传统PPO。

Comments 10 pages, 5 figures, 2 tables, 1 algorithm

Transfer Learning from One Cancer to Another via Deep Learning Domain Adaptation

通过深度学习领域适应从一种癌症转移到另一种癌症的迁移学习

Justin Cheung, Samuel Savine, Calvin Nguyen, Lin Lu, Alhassan S. Yasin

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本研究通过深度学习领域适应技术，将乳腺和结肠的标注数据训练的DANN应用于肺腺癌的未标注数据，显著提升分类准确率，同时验证了染色标准化对不同领域适应效果的影响。

Comments 8 pages, 6 figures, 3 table

Large-Scale Label Quality Assessment for Medical Segmentation via a Vision-Language Judge and Synthetic Data

通过视觉-语言裁判和合成数据进行大规模标签质量评估用于医学分割

Yixiong Chen, Zongwei Zhou, Wenxuan Li, Alan Yuille

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 SegAE通过视觉-语言模型和合成数据评估医学分割标签质量，提升数据效率和训练性能，减少标注成本和质检时间。

Comments ISBI 2026 accepted

Improving Artifact Robustness for CT Deep Learning Models Without Labeled Artifact Images via Domain Adaptation

通过领域自适应改进CT深度学习模型在无标注artifact图像情况下的鲁棒性

Justin Cheung, Samuel Savine, Calvin Nguyen, Lin Lu, Alhassan S. Yasin

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本研究通过领域自适应方法提升CT深度学习模型在无标注artifact数据下的鲁棒性，实验证明该方法在环形artifact识别中准确率达77.4%。

Comments 8 pages, 12 figures, 1 table

FAIRGAMER: Evaluating Social Biases in LLM-Based Video Game NPCs

FAIRGAMER：评估基于LLM的视频游戏NPC中的社会偏见

Bingkang Shi, Jen-tse Huang, Long Luo, Tianyu Zong, Hongzhu Yi, Yuanxiang Wang, Songlin Hu, Xiaodan Zhang, Zhongjiang Yao

机构 * School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院） 纠错

AI总结 FAIRGAMER通过评估三种交互模式中的社会偏见，揭示了基于LLM的视频游戏NPC在决策上的偏见问题，并指出更大模型可能加剧这些偏见。