Massachusetts Institute of Technology（麻省理工学院）

Early Warning Index for Patient Deteriorations in Hospitals

医院患者恶化的早期预警指数

Dimitris Bertsimas, Yu Ma, Kimberly Villalobos Carballo, Gagan Singh, Michal Laskowski, Jeff Mather, Dan Kombert, Howard Haronian

机构 * Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Operations and Information Management, University of Wisconsin Madison（威斯康星大学麦迪逊分校运营与信息管理系） ； Technology Management and Innovation, New York University（纽约大学技术管理与创新系） ； Hartford HealthCare（哈特福德医疗集团） ； Holistic Hospital Optimization（综合医院优化） 纠错

AI总结 本文提出Early Warning Index模型，通过多模态机器学习预测患者恶化风险，结合SHAP解释提升可解释性，用于医院分诊和资源调度优化。

What Affects the Effective Depth of Large Language Models?

影响大语言模型有效深度的因素是什么？

Yi Hu, Cai Zhou, Muhan Zhang

机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； Department of Computer Science, Massachusetts Institute of Technology（计算机科学系，麻省理工学院） 纠错

AI总结 研究发现大语言模型的有效深度受模型规模、训练类型和任务难度影响，且有效深度比例稳定，提示需提升层利用率、模型剪枝和提前退出技术。

An evaluation of SVBRDF Prediction from Generative Image Models for Appearance Modeling of 3D Scenes

对基于生成图像模型的SVBRDF预测进行评估：用于3D场景外观建模

Alban Gauthier, Valentin Deschaintre, Alexandre Lanvin, Fredo Durand, Adrien Bousseau, George Drettakis

机构 * Inria & Université Côte d’Azur（Inria与法国蔚蓝海岸大学） ； Adobe Research（Adobe研究） ； MIT（麻省理工学院） 纠错

AI总结 本文评估了基于生成图像模型的SVBRDF预测方法，探讨其在快速外观建模中的挑战与机遇，发现标准UNet在精度和一致性上表现优异。

Comments Project page: http://repo-sam.inria.fr/nerphys/svbrdf-evaluation Code: http://github.com/graphdeco-inria/svbrdf-evaluation

Journal ref EGSR 2025-36th Eurographics Symposium on Rendering (Symposium Track). The Eurographics Association, 2025

RAST-MoE-RL: A Regime-Aware Spatio-Temporal MoE Framework for Deep Reinforcement Learning in Ride-Hailing

RAST-MoE-RL: 一种面向动态的时空MoE框架用于网约车深度强化学习

Yuhan Tang, Kangxin Cui, Jung Ho Park, Yibo Zhao, Xuan Jiang, Haoze He, Dingyi Zhuang, Shenhao Wang, Jiangbo Yu, Haris Koutsopoulos, Jinhua Zhao

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Tongji University（同济大学） ； University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； McGill University（麦吉尔大学） ； Northeastern University（东北大学） 纠错

AI总结 RAST-MoE-RL通过引入制度感知的时空MoE框架，提升了网约车深度强化学习中的决策效率与稳定性，实现了更高的奖励和更短的等待时间。

Graph AI generates neurological hypotheses validated in molecular, organoid, and clinical systems

图神经网络生成神经疾病假说并验证于分子、类器官和临床系统

Ayush Noori, Joaquín Polonuer, Katharina Meyer, Bogdan Budnik, Shad Morton, Xinyuan Wang, Sumaiya Nazeen, Yingnan He, Iñaki Arango, Lucas Vittor, Matthew Woodworth, Richard C. Krolewski, Michelle M. Li, Ninning Liu, Tushar Kamath, Evan Macosko, Dylan Ritter, Jalwa Afroz, Alexander B. H. Henderson, Lorenz Studer, Samuel G. Rodriques, Andrew White, Noa Dagan, David A. Clifton, George M. Church, Sudeshna Das, Jenny M. Tam, Vikram Khurana, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学生物启发工程研究所） ； Department of Neurology, Massachusetts General Hospital（麻省总医院神经科） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； BD 2 : Breakthrough Discoveries for thriving with Bipolar Disorder（BD 2 : 双相情感障碍突破性发现） ； Aligning Science Across Parkinson’s (ASAP) Collaborative Research Network（跨帕金森病科学协同研究网络） ； The Ivan and Francesca Berkowitz Family Living Laboratory Collaboration at Harvard Medical School and Clalit Research Institute（哈佛医学院伊万和弗朗西斯卡·伯克伍德家族生活实验室合作与克赖特研究所） ； Department of Genetics, Harvard Medical School（哈佛医学院遗传学系） ； Department of Neurology, Brigham and Women’s Hospital（布里洛妇女医院神经科） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； The Center for Stem Cell Biology, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心干细胞生物学中心） ； FutureHouse Inc.（FutureHouse公司） ； Clalit Research Institute, Innovation Division, Clalit Health Services（克赖特研究所创新部门，克赖特健康服务） ； Faculty of Computer and Information Science, Ben Gurion University of the Negev（贝内尔·戈里昂大学内盖夫分校计算机与信息科学系） 纠错

AI总结 PROTON通过异构图变换器生成并验证神经疾病假说，应用于帕金森病、双相情感障碍和阿尔茨海默病，揭示AI驱动的神经疾病发现路径。

Delete and Retain: Efficient Unlearning for Document Classification

删除与保留：文档分类中的高效反学习

Aadya Goel, Mayuri Sridhar

机构 * Acton-Boxborough Regional High School（阿克顿-博克斯伯里地区高中） ； MIT（麻省理工学院） 纠错

AI总结 本文提出Hessian Reassignment方法，通过两步流程实现文档分类中的高效类别反学习，显著提升效率并降低成员推断优势。

Comments 18 pages, 5 figures

Modular connectivity in neural networks emerges from Poisson noise-motivated regularisation, and promotes robustness and compositional generalisation

神经网络中的模块化连接源于受泊松噪声启发的正则化，并促进鲁棒性和组合泛化

Daoyuan Qian, Qiyao Liang, Ila Fiete

机构 * McGovern Institute for Brain Research, Massachusetts Institute of Technology, MA 02139, U.S.A.（麦戈文脑科学研究所，麻省理工学院） ； K. Lisa Yang Integrative Computational Neuroscience Center in the Yang-Tan Collective（李嘉诚整合计算神经科学中心） ； Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology, MA 02139, U.S.A.（脑科学与认知科学系，麻省理工学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology, MA 02139, U.S.A.（电气工程与计算机科学系，麻省理工学院） 纠错

AI总结 本研究通过受泊松噪声启发的正则化方法，揭示了神经网络中模块化连接的形成机制，并展示了其在提升鲁棒性和泛化能力方面的优势。