Massachusetts Institute of Technology（麻省理工学院）

Mechanically Programming the Cross-Sectional Shape of Soft Growing Robotic Structures for Patient Transfer

机械编程软性生长机器人结构的横截面形状以用于患者转移

O. Godson Osele, Kentaro Barhydt, Teagan Sullivan, H. Harry Asada, Allison M. Okamura

机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； Department of Mechanical Engineering, MIT（麻省理工学院机械工程系） 纠错

AI总结 本研究提出了一种机械编程方法，通过柔性条带约束径向扩张，实现软性生长机器人结构的宽薄横截面，以提高患者转移任务的适应性和灵活性。

Edge of Stochastic Stability: Revisiting the Edge of Stability for SGD

边缘的随机稳定性：重新审视SGD的稳定性边缘

Arseniy Andreyev, Pierfrancesco Beneventano

机构 * Princeton University（普林斯顿大学） ； MIT（麻省理工学院） 纠错

AI总结 该研究重新审视了SGD的稳定性边缘，揭示了小批量SGD在边缘随机稳定性下的训练机制及批量尖锐度的稳定性特性。

Comments 83 pages, 36 figures

Application-Driven Innovation in Machine Learning

应用驱动的机器学习创新

David Rolnick, Alan Aspuru-Guzik, Sara Beery, Bistra Dilkina, Priya L. Donti, Marzyeh Ghassemi, Hannah Kerner, Claire Monteleoni, Esther Rolf, Milind Tambe, Adam White

机构 * McGill University（麦吉尔大学） ； Mila -- Quebec AI Institute, Montreal, Canada（魁北克AI研究所） ； University of Toronto（多伦多大学） ； Vector Institute, Toronto, Canada（向量研究所） ； Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院） ； University of Southern California, Los Angeles, USA（南加州大学） ； Arizona State University, Tempe, USA（亚利桑那州立大学） ； Inria Paris, Paris, France（巴黎研究所） ； University of Colorado Boulder, Boulder, USA（科罗拉多大学博尔德分校） ； Harvard University, Cambridge, USA（哈佛大学） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute, Edmonton, Canada（阿尔伯塔人工智能研究所） 纠错

AI总结 本文探讨了应用驱动研究在机器学习中的重要性，指出其对算法创新和领域影响的潜力，并提出改进现有评估和教学实践的建议。

Comments 12 pages, 3 figures

Journal ref Published at ICML 2024 in the Position Papers track

An Efficient Minimax Optimal Estimator For Multivariate Convex Regression

多变量凸回归的高效最小最大最优估计器

Gil Kur, Eli Putterman

机构 * Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； Department of Mathematics, Tel Aviv University（特拉维夫大学数学系） 纠错

AI总结 本文提出了一种高效且最小最大最优的多变量凸回归估计器，适用于高维数据和多面体支持条件，解决了传统方法的最小二乘估计器次优问题。

Comments Minor corrections and improved presentation (appeared at COLT 2022)

Envision: Embodied Visual Planning via Goal-Imagery Video Diffusion

Envision：通过目标图像视频扩散进行具身视觉规划

Yuming Gu, Yizhi Wang, Yining Hong, Yipeng Gao, Hao Jiang, Angtian Wang, Bo Liu, Nathaniel S. Dennler, Zhengfei Kuang, Hao Li, Gordon Wetzstein, Chongyang Ma

机构 * University of Southern California（南加州大学） ； ByteDance（字节跳动） ； Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； MBZUAI 纠错

AI总结 Envision 通过目标图像视频扩散模型实现具身视觉规划，提升目标对齐和空间一致性，支持下游机器人任务。

Comments Page: https://envision-paper.github.io

JParc: Joint cortical surface parcellation with registration

JParc：联合皮层表面分割与配准

Jian Li, Karthik Gopinath, Brian L. Edlow, Adrian V. Dalca, Bruce Fischl

机构 * 1 Athinoula A. Martinos Center for Biomedical Imaging, Department of Radiology, MGH \& HMS 2 Center for Neurotechnology ； Neurorecovery, Department of Neurology, MGH \& HMS 3 Computer Science ； Artificial Intelligence Laboratory, EECS, MIT 纠错

AI总结 JParc通过联合皮层配准与分割方法，利用浅层子网络优化图谱标签，实现高精度的脑皮层分割。

Comments A. V. Dalca and B. Fischl are co-senior authors with equal contributions

What Has a Foundation Model Found? Using Inductive Bias to Probe for World Models

基础模型发现了什么？利用归纳偏置来探测世界模型

Keyon Vafa, Peter G. Chang, Ashesh Rambachan, Sendhil Mullainathan

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

AI总结 该研究通过归纳偏置探测技术揭示基础模型在适应新任务时无法捕捉底层世界模型结构的问题。

Comments To appear in ICML 2025