Massachusetts Institute of Technology（麻省理工学院）

Scaling Down to Scale Up: Towards Operationally-Efficient and Deployable Clinical Models via Cross-Modal Low-Rank Adaptation for Medical Vision-Language Models

缩小规模以扩大规模：通过跨模态低秩适应实现操作高效且可部署的临床模型

Thuraya Alzubaidi, Farhad R. Nezami, Muzammil Behzad

机构 * King Fahd University of Petroleum（国王法赫德石油与矿物大学） ； Institute for Medical Engineering（医学工程研究所） ； Science, Massachusetts Institute of Technology, US（科学，麻省理工学院，美国） ； Harvard Medical School, Harvard University, US（哈佛医学院，哈佛大学，美国） ； SDAIA-KFUPM Joint Research Center for Artificial Intelligence, Saudi Arabia（SDAIA-KFUPM人工智能联合研究中心，沙特阿拉伯） 纠错

AI总结 通过跨模态低秩适应，MedCT-VLM在零样本分类中实现了对CT影像的高效适应，显著提升了病理分类的性能。

Describe Anything Anywhere At Any Moment

在任何地方、任何时间描述任何事物

Nicolas Gorlo, Lukas Schmid, Luca Carlone

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 DAAAM是一种用于大规模实时4D场景理解的空间时间记忆框架，通过优化前端和分层4D场景图实现高效语义描述与实时性能的平衡。

Comments 14 pages, 5 figures, 6 tables

MimeQA: Towards Socially-Intelligent Nonverbal Foundation Models

MimeQA: 向具有社会智能的非语言基础模型迈进

Hengzhi Li, Megan Tjandrasuwita, Yi R. Fung, Armando Solar-Lezama, Paul Pu Liang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 MimeQA通过引入非语言互动数据集，评估视频大语言模型在非语言社会推理中的表现，发现其准确率较低，人类表现更优。

Comments NeurIPS 2025 Datasets and Benchmarks

LCEN: A Nonlinear, Interpretable Feature Selection and Machine Learning Algorithm

LCEN：一种非线性、可解释的特征选择和机器学习算法

Pedro Seber, Richard D. Braatz

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 LCEN算法通过非线性、可解释的方法在特征选择和机器学习中实现高精度和高效性，优于多种现有方法。

Comments Accepted to TMLR: https://openreview.net/forum?id=wmNucISPdl

Journal ref Transactions on Machine Learning Research, 2025, [Online]. Available: https://openreview.net/forum?id=wmNucISPdl

Evaluation of Deep Neural Operator Models toward Ocean Forecasting

深度神经运算模型在海洋预报中的评估

Ellery Rajagopal, Anantha N. S. Babu, Tony Ryu, Patrick J. Haley, Chris Mirabito, Pierre F. J. Lermusiaux

机构 * Department of Mechanical Engineering, Center for Computational Science and Engineering（机械工程系，计算科学与工程中心） ； Department of Electrical Engineering and Computer Science（电子工程与计算机科学系） ； Massachusetts Institute of Technology, Cambridge, MA（麻省理工学院） 纠错

AI总结 本文评估了深度神经运算模型在海洋预报中的有效性，展示了其在预测理想化涡旋分离和现实海洋流动中的潜力。

Comments Rajagopal, E., A.N.S. Babu, T. Ryu, P.J. Haley, Jr., C. Mirabito, and P.F.J. Lermusiaux, 2023. Evaluation of Deep Neural Operator Models toward Ocean Forecasting. In OCEANS' 23 IEEE/MTS Gulf Coast, 25-28 September 2023, in press

Journal ref OCEANS 2023-MTS/IEEE US Gulf Coast (pp. 1-9). IEEE