Improving Lean4 Autoformalization via Cycle Consistency Fine-tuning
通过循环一致性微调改进Lean4自动形式化
机构 * Stanford University（斯坦福大学）
AI总结 本文通过循环一致性奖励改进Lean4自动形式化，RL在未见数据和PutnamBench上表现优于SFT，且对交叉熵损失影响小。
Comments 10 pages, 10 figures, pages 10-27 appendix
高校专区
Stanford University（斯坦福大学）
Algorithms with Calibrated Machine Learning Predictions
具有校准机器学习预测的算法
机构 * Department of Management Science \& Engineering, Stanford University, Stanford, CA, USA ； Department of Computer Science, Stanford University, Stanford, CA, USA
AI总结 本文提出校准作为连接预测信任与算法性能的桥梁，通过滑雪租赁和在线任务调度案例，展示校准预测在高方差环境下提升性能的效果。
Comments Matches the camera-ready version accepted at ICML 2025
A Generalizable Deep Learning System for Cardiac MRI
可泛化的心脏磁共振成像深度学习系统
机构 * Division of Cardiovascular Surgery, Department of Surgery, University of Pennsylvania（宾夕法尼亚大学心血管外科 division） ； Department of Cardiothoracic Surgery, Stanford University（斯坦福大学心胸外科 department） ； Department of Radiology, Medstar Georgetown University Hospital（梅奥医疗中心乔治城大学医院放射科 department） ； Department of Radiology and Biomedical Imaging, University of California, San Francisco（加州大学旧金山分校放射科和生物医学成像 department） ； Bunkerhill Health, San Francisco（旧金山布纳克希尔健康机构） ； Department of Radiology, University of Pennsylvania（宾夕法尼亚大学放射科 department） ； Division of Cardiovascular Medicine, Department of Medicine, University of Pennsylvania（宾夕法尼亚大学心血管医学 division） ； Division of Cardiovascular Medicine, Department of Medicine, Genetics, and Biomedical Data Science, Stanford University（斯坦福大学心血管医学 division） ； Department of Radiology, Medicine, and Biomedical Data Science, Stanford University（斯坦福大学放射科、医学和生物医学数据科学 department）
AI总结 本文提出一种可泛化的心脏MRI深度学习系统，通过自监督对比学习从放射科报告文本中学习心脏MRI动态序列中的视觉概念，展示了在多种任务上的卓越性能，包括左心室射血分数回归和39种心脏疾病的诊断。
Comments Published in Nature Biomedical Engineering; Supplementary Appendix available on publisher website. Code: https://github.com/rohanshad/cmr_transformer
Journal ref Nat. Biomed. Eng (2026)
3D-LLDM: Label-Guided 3D Latent Diffusion Model for Improving High-Resolution Synthetic MR Imaging in Hepatic Structure Segmentation
3D-LLDM：基于标签的3D潜在扩散模型用于提高肝结构分割的高分辨率合成MR影像
机构 * OUTTA, Republic of Korea（韩国OUTTA） ； Stanford University（斯坦福大学） ； Seoul National University（首尔国立大学） ； Sangmyung University（Sangmyung大学） ； Chung-Ang University（Chung-Ang大学） ； Samsung Medical Center（三星医疗中心） ； NVIDIA ； Sungkyunkwan University School of Medicine（成均馆大学医学院） ； Samsung Changwon Hospital（三星昌原医院）
AI总结 本文提出3D-LLDM模型，通过标签引导生成高质量合成MR影像，提升肝结构分割的精度，实验表明其在数据增强中提升了肝细胞癌分割的Dice得分。
Comments Accepted to ISBI 2026 (Oral). Camera-ready version
Unveiling Hidden Convexity in Deep Learning: a Sparse Signal Processing Perspective
揭示深度学习中的隐藏凸性：一种稀疏信号处理视角
机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
AI总结 本文从稀疏信号处理角度探讨深度学习中隐藏的凸性，通过分析ReLU网络的凸等价关系，解决训练和理解神经网络的挑战。
Perturbation: A simple and efficient adversarial tracer for representation learning in language models
扰动：一种简单且高效的对抗追踪器，用于语言模型中的表示学习
机构 * Stanford University（斯坦福大学）
AI总结 本文提出扰动方法，通过微调语言模型于单个对抗示例，揭示训练模型在不同语言粒度上的结构迁移，展示语言模型在无监督学习中获得语言抽象的能力。
Sparse Autoencoders for Interpretable Medical Image Representation Learning
稀疏自编码器用于可解释的医学图像表示学习
机构 * Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学人工智能医学与成像中心） ； Department of Radiology, Stanford University（斯坦福大学放射科） ； Chair of AI in Healthcare and Medicine, Technical University of Munich（慕尼黑技术大学人工智能医疗与医学主任） ； TUM University Hospital, Munich, Germany（慕尼黑技术大学医院）
AI总结 本文研究使用稀疏自编码器替代抽象特征，通过CT和MRI图像切片生成可解释的稀疏特征，提升医学图像处理的可解释性。
Comments 11 pages, 4 figures
Do 3D Large Language Models Really Understand 3D Spatial Relationships?
三维大语言模型真的能理解三维空间关系吗？
机构 * VGG（视觉信息组） ； University of Oxford（牛津大学） ； Stanford University（斯坦福大学） ； Simon Fraser University（西蒙弗雷泽大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文挑战了3D-LLM对三维空间关系的理解能力，提出Real-3DQA基准测试，发现现有模型在去除简单线索后表现不佳，并提出3D重加权训练目标以提升空间推理能力。
Comments ICLR 2026
From Panel to Pixel: Zoom-In Vision-Language Pretraining from Biomedical Scientific Literature
从面板到像素：从生物医学科学文献中进行缩放视觉-语言预训练
机构 * University of Strasbourg, CNRS, INSERM, ICube, UMR7357, Strasbourg, France（斯特拉斯堡大学、法国国家科学研究中心、法国国家医学研究院、ICube、UMR7357、斯特拉斯堡，法国） ； Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学） ； DSAI, The Hong Kong Polytechnic University（香港理工大学DSAI实验室） ； University of British Columbia（不列颠哥伦比亚大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； IHU Strasbourg, Strasbourg（斯特拉斯堡IHU医院，斯特拉斯堡） ； Vector Institute for AI（人工智能向量研究所） ； Yale University（耶鲁大学）
AI总结 本文提出Panel2Patch方法，通过挖掘生物医学文献中的层次结构，生成多粒度监督，提升视觉-语言预训练效果。
