Massachusetts Institute of Technology（麻省理工学院）

TTRV: Test-Time Reinforcement Learning for Vision Language Models

TTRV：用于视觉语言模型的测试时间强化学习

Akshit Singh, Shyam Marjit, Wei Lin, Paul Gavrikov, Serena Yeung-Levy, Hilde Kuehne, Rogerio Feris, Sivan Doveh, James Glass, M. Jehanzeb Mirza

机构 * IISc Bangalore（班加罗尔印度理工学院） ； JKU Linz（林茨约翰·凯撒大学） ； Stanford（斯坦福大学） ； Tübingen AI Center（图宾根人工智能中心） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； MIT CSAIL Project（麻省理工CSAIL项目） 纠错

AI总结 TTRV通过测试时间强化学习提升视觉语言模型的识别和问答性能，无需标记数据，在多个任务中取得显著提升。

Beyond I-Con: Exploring New Dimension of Distance Measures in Representation Learning

超越I-Con：探索表示学习中距离度量的新维度

Jasmine Shone, Zhening Li, Shaden Alshammari, Mark Hamilton, William Freeman

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 Beyond I-Con框架通过探索替代统计散度，改进了表示学习中的对比学习和降维任务，展示了不同散度选择对优化效果的重要性。

Boosting Skull-Stripping Performance for Pediatric Brain Images

提升儿童脑影像的颅骨去除性能

William Kelley, Nathan Ngo, Adrian V. Dalca, Bruce Fischl, Lilla Zöllei, Malte Hoffmann

机构 * 1 Athinoula A.\ Martinos Center for Biomedical Imaging, Charlestown, MA 02129, USA 2 Department of Radiology, Massachusetts General Hospital, Boston, MA 02114, USA 3 Department of Radiology, Harvard Medical School, Boston, MA 02115, USA 4 Division of Health Sciences ； Technology, MIT, Cambridge, MA 02139, USA 5 Computer Science \& Artificial Intelligence Laboratory, MIT, Cambridge, MA 02139, USA 纠错

AI总结 本文提出d-SynthStrip模型，专门针对儿童脑影像，通过高变量图像合成提升颅骨去除性能，并在多种扫描类型和年龄组中表现优于现有基线。

Comments 5 pages, 5 figures, 1 table, skull-stripping, brain extraction, newborn, infant, toddler, pediatric MRI, machine learning, accepted by the IEEE International Symposium on Biomedical Imaging

Journal ref IEEE Int Symp Biomed Imaging, 2024, 1-5

Network of Theseus (like the ship)

忒修斯之船网络（类似忒修斯之船）

Vighnesh Subramaniam, Colin Conwell, Boris Katz, Andrei Barbu, Brian Cheung

机构 * MIT CSAIL, CBMM（麻省理工学院计算机科学与人工智能实验室，CBMM） ； Department of Cognitive Science, Johns Hopkins University（约翰霍普金斯大学认知科学系） 纠错

AI总结 忒修斯之船网络（NoT）通过解耦优化与部署，实现训练架构到目标架构的逐步转换，保留性能并拓展推理架构的可能性。

Comments Preprint. 24 pages, 9 figures, 8 tables

Adaptive Kernel Selection for Stein Variational Gradient Descent

自适应核选择用于斯蒂因变分梯度下降

Moritz Melcher, Simon Weissmann, Ashia C. Wilson, Jakob Zech

机构 * Universität Mannheim（曼海姆大学） ； MIT（麻省理工学院） ； Universität Heidelberg（海德堡大学） 纠错

AI总结 本文提出Ad-SVGD方法，通过自适应调整核参数提升SVGD在高维数据中的性能。