Johns Hopkins University（约翰斯·霍普金斯大学）

OpenPros: A Large-Scale Dataset for Limited View Prostate Ultrasound Computed Tomography

OpenPros: 一个大规模数据集用于有限视角前列腺超声计算机断层扫描

Hanchen Wang, Yixuan Wu, Yinan Feng, Peng Jin, Luoyuan Zhang, Shihang Feng, James Wiskin, Baris Turkbey, Peter A. Pinto, Bradford J. Wood, Songting Luo, Yinpeng Chen, Emad Boctor, Youzuo Lin

机构 * The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Johns Hopkins University（约翰霍普金斯大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； QT Imaging, Inc.（QT影像公司） ； National Institutes of Health（美国国立卫生研究院） ； Iowa State University（爱荷华州立大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 OpenPros是一个大规模数据集，用于评估基于学习的方法在有限视角前列腺USCT中的性能，旨在解决重建精度和鲁棒性等挑战。

Sparse Autoencoder Features for Classifications and Transferability

稀疏自编码器特征用于分类和可迁移性

Jack Gallifant, Shan Chen, Kuleen Sasse, Hugo Aerts, Thomas Hartvigsen, Danielle S. Bitterman

机构 * Harvard University（哈佛大学） ； Mass General Brigham（麻省总医院） ； Boston Children’s Hospital（波士顿儿童医院） ； Johns Hopkins University（约翰霍普金斯大学） ； Maastricht University（马斯特里赫特大学） ； University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文提出利用稀疏自编码器提取LLM特征，通过优化架构和二进制化策略提升分类性能和跨模型迁移能力。

An Extended Generalized Prandtl-Ishlinskii Hysteresis Model for I2RIS Robot

一种扩展的广义Prandtl-Ishlinskii滞回模型用于I2RIS机器人

Yiyao Yue, Mojtaba Esfandiari, Pengyuan Du, Peter Gehlbach, Makoto Jinno, Adnan Munawar, Peter Kazanzides, Iulian Iordachita

机构 * Laboratory for Computational Sensing and Robotics（计算感知与机器人实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； Wilmer Eye Institute, Johns Hopkins Hospital（Wilmer眼科研究所，约翰霍普金斯医院） ； School of Science and Engineering（科学与工程学院） ； Kokushikan University（冈山大学） 纠错

AI总结 本文提出了一种扩展的广义Prandtl-Ishlinskii模型，用于提高I2RIS机器人中多阶段滞回的建模精度。

Comments Published in IFAC-PapersOnLine, Vol. 59, No. 30, pp. 323-328, 2025. 5th Conference on Modeling, Estimation and Control (MECC 2025)

Journal ref IFAC-PapersOnLine, Volume 59, Issue 30, Pages 323-328, 2025

ReasoningBomb: A Stealthy Denial-of-Service Attack by Inducing Pathologically Long Reasoning in Large Reasoning Models

ReasoningBomb: 通过诱导病态长推理实现隐蔽的拒绝服务攻击

Xiaogeng Liu, Xinyan Wang, Yechao Zhang, Sanjay Kariyappa, Chong Xiang, Muhao Chen, G. Edward Suh, Chaowei Xiao

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学） ； NVIDIA（NVIDIA公司） ； University of California, Davis（加州大学戴维斯分校） ； Cornell University（康奈尔大学） 纠错

AI总结 ReasoningBomb通过生成短自然提示诱导大型推理模型进入病态长推理，实现隐蔽的拒绝服务攻击，具有高放大率、隐蔽性和可优化性。

Comments Pre-print. Code is available at https://github.com/SaFo-Lab/ReasoningBomb