Stanford University（斯坦福大学）

Bladder Vessel Segmentation using a Hybrid Attention-Convolution Framework

利用混合注意力-卷积框架进行膀胱血管分割

Franziska Krauß, Matthias Ege, Zoltan Lovasz, Albrecht Bartz-Schmidt, Igor Tsaur, Oliver Sawodny, Carina Veil

机构 * Institute for System Dynamics in the University of Stuttgart（斯图加特大学系统动力学研究所） ； University Hospital Tübingen（图宾根大学医院） ； Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） 纠错

AI总结 本文提出混合注意力-卷积框架，通过结合Transformer和CNN实现高精度膀胱血管分割，解决内窥镜数据中复杂变形和黏膜褶皱等挑战。

Noisy-Pair Robust Representation Alignment for Positive-Unlabeled Learning

噪声对偶鲁棒表示对齐用于正样本未标记学习

Hengwei Zhao, Zhengzhong Tu, Zhuo Zheng, Wei Wang, Junjue Wang, Rusty Feagin, Wenzhe Jiao

机构 * Texas A&M University（德克萨斯A&M大学） ； Stanford University（斯坦福大学） ； RIKEN（理化学研究所） ； The University of Tokyo（东京大学） 纠错

AI总结 NcPU通过噪声对偶鲁棒监督非对比损失和幻影标签歧义消除方案，提升正样本未标记学习在复杂数据集上的性能。

Comments Published at ICLR 2026

ArtifactLens: Hundreds of Labels Are Enough for Artifact Detection with VLMs

ArtifactLens：数百个标签足以让VLMs检测到瑕疵

James Burgess, Rameen Abdal, Dan Stoddart, Sergey Tulyakov, Serena Yeung-Levy, Kuan-Chieh Jackson Wang

机构 * Stanford University, Stanford, CA, USA（斯坦福大学） ； Snap Inc., Santa Monica, CA, USA（Snap公司） 纠错

AI总结 ArtifactLens通过少量标记数据利用预训练VLMs的潜力，实现高效瑕疵检测，适用于多种瑕疵类型和AIGC检测任务。

Comments https://jmhb0.github.io/ArtifactLens/

Soft Clustering Anchors for Self-Supervised Speech Representation Learning in Joint Embedding Prediction Architectures

用于联合嵌入预测架构中自监督语音表示学习的软聚类锚点

Georgios Ioannides, Adrian Kieback, Judah Goldfeder, Linsey Pang, Aman Chadha, Aaron Elkins, Yann LeCun, Ravid Shwartz-Ziv

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成人工智能） 纠错

AI总结 GMM-Anchored JEPA通过软聚类锚点提升语音表示学习，实现ASR、情感识别和槽填充的性能提升。

Comments 15 pages, 5 figures. Code: github.com/gioannides/clustering-anchored-jepa

TwinWeaver: An LLM-Based Foundation Model Framework for Pan-Cancer Digital Twins

TwinWeaver: 一种基于大语言模型的跨癌症数字双胞胎基础模型框架

Nikita Makarov, Maria Bordukova, Lena Voith von Voithenberg, Estrella Pivel-Villanueva, Sabrina Mielke, Jonathan Wickes, Hanchen Wang, Mingyu Derek Ma, Keunwoo Choi, Kyunghyun Cho, Stephen Ra, Raul Rodriguez-Esteban, Fabian Schmich, Michael Menden

机构 * Computational Sciences Center of Excellence, Roche, Penzberg, Germany（罗氏计算科学卓越中心） ； Computational Health Center, Helmholtz Munich, Munich, Germany（海德堡慕尼黑计算健康中心） ； Department of Biology, Ludwig Maximilian University of Munich, Munich, Germany（慕尼黑路易斯·马克西米利安大学生物学系） ； Early Development Oncology, Roche Innovation Center Zurich, Roche, Schlieren, Switzerland（罗氏苏黎世创新中心早期肿瘤学） ； Computational Sciences Center of Excellence, Genentech, New York City, USA（基因泰克计算科学卓越中心） ； Computational Sciences Center of Excellence, Genentech, South San Francisco, USA（基因泰克计算科学卓越中心） ； Center for Data Science, New York University, New York City, USA（纽约大学数据科学中心） ； Department of Computer Science, Stanford University, Stanford, CA, USA（斯坦福大学计算机科学系） ； Computational Sciences Center of Excellence, Roche, Basel, Switzerland（罗氏巴塞尔计算科学卓越中心） ； Department of Biochemistry（生物化学系） ； Biotechnology Institute, The University of Melbourne, Melbourne, Australia（墨尔本大学生物技术研究所） 纠错

AI总结 TwinWeaver通过基于大语言模型的框架，构建跨癌症数字双胞胎，提升临床事件预测与风险分层精度。

CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation

CHIP：通过回顾扰动实现人形机器人适应性合规性控制

Sirui Chen, Zi-ang Cao, Zhengyi Luo, Fernando Castañeda, Chenran Li, Tingwu Wang, Ye Yuan, Linxi "Jim" Fan, C. Karen Liu, Yuke Zhu

机构 * NVIDIA ； Stanford University（斯坦福大学） ； UT Austin（得克萨斯大学奥斯汀分校） 纠错

AI总结 CHIP通过回顾扰动实现人形机器人可控的末端执行器刚度，无需额外调优即可完成多种力量操作任务。

Comments The first two authors contributed equally. Project page: https://nvlabs.github.io/CHIP/

POCO: Scalable Neural Forecasting through Population Conditioning

POCO：通过群体条件实现可扩展的神经预测

Yu Duan, Hamza Tahir Chaudhry, Misha B. Ahrens, Christopher D Harvey, Matthew G Perich, Karl Deisseroth, Kanaka Rajan

机构 * EECS, MIT（MIT电子工程与计算机科学系） ； SEAS, Harvard University（哈佛大学科学与工程系） ； Janelia Research Campus（贾尔尼亚研究校园） ； Harvard Medical School（哈佛医学院） ； Kempner Institute（凯普纳研究所） ； Université de Montréal（蒙特利尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 POCO通过结合轻量级预测器和群体编码器，实现跨会话神经预测，提升预测精度并揭示生物结构。

Journal ref Advances in Neural Information Processing Systems (2025)

A Brain Graph Foundation Model: Pre-Training and Prompt-Tuning across Broad Atlases and Disorders

脑图基础模型：在广泛的大脑图谱和疾病中进行预训练和提示微调

Xinxu Wei, Kanhao Zhao, Yong Jiao, Lifang He, Yu Zhang

机构 * Lehigh University（莱文大学） ； Stanford University（斯坦福大学） 纠错

AI总结 BrainGFM通过图对比学习和图掩码自动编码器预训练，实现跨多种大脑图谱和疾病的高效泛化与迁移。

Comments 30pages