University of Toronto（多伦多大学）

Interpretable Fundus Image Classification via Ring-Based Retinal Vasculature Features

基于环形视网膜血管特征的可解释眼底图像分类

Xiaoyan Li, Shixin Xu, Arvind Gupta, Huaxiong Huang

机构 * University of Toronto（多伦多大学） ； Duke Kunshan University（昆山杜克大学） ； York University（约克大学） ； Fields Institute for Research in Mathematical Sciences（菲尔兹数学科学研究所） 纠错

AI总结 本研究提出基于环形视网膜血管特征的可解释眼底图像分类框架，仅用血管描述符在HRF数据集达91.1%准确率，与RETFound相当，可支持可解释疾病分类等且无需大量任务训练数据。

Data Leakage Inflates Generalizability of Power Outage Prediction Models

数据泄露夸大了停电预测模型的可推广性

Yamil Essus, Ranga Raju Vatsavai, Benjamin Rachunok

机构 * University of Toronto（多伦多大学） ； North Carolina State University（北卡罗来纳州立大学） 纠错

AI总结 该研究指出停电预测模型因数据泄露夸大了可推广性，评估时采用更贴近现实的空间/时间/事件拆分后性能大幅下降，GeoAI嵌入仅小幅改善空间泛化，需改进数据与评估方式。

SENSESHIFT: Continuous Sentiment-Controlled Text Generation via Encoder-based Mask Infilling

SENSESHIFT：基于编码器的掩码填充实现连续情感控制文本生成

Shahed Masoudian, Markus Frohmann, Emmanouil Karystinaios, Navid Rekabsaz, Markus Schedl

机构 * Johannes Kepler University Linz（约翰开普勒林茨大学） ； Thomson Reuters Labs（汤森路透实验室） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 该研究提出基于编码器的框架SenseShift，通过双向注意力等技术实现细粒度句子级情感控制文本生成，在故事与评论生成任务上，相比大解码器基线模型，情感可控性更强且文本质量与鲁棒性更优。

Comments Paper Accepted to EMNLP 2026

Discrete Diffusion Models: A Unified Framework from Tokenization to Generation

离散扩散模型：从词元化到生成的统一框架

Ye Yuan, Weien Li, Rui Song, Zeyu Li, Haochen Liu, Xiangyu Kong, Zixuan Dong, Linfeng Du, Zipeng Sun, Weixu Zhang, Jiaxin Huang, Changjiang Han, Yonghan Yang, Zichen Zhao, Xiuyuan Hu, Haolun Wu, Yankai Chen, Fengran Mo, Jikun Kang, Bowei He, Dawn Song, Philip S. Yu, Xue Liu

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； University of Cambridge（剑桥大学） ； University of Toronto（多伦多大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Tsinghua University（清华大学） ； Rochester Institute of Technology（罗彻斯特理工学院） ； Salesforce（Salesforce公司） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究离散扩散模型，引入统一框架从离散状态空间构建审视该模型，让现有公式成为共同设计空间实例，揭示训练、推理等方面权衡，为未来研究提供方向。

Housing Potential Common Data Model and City Digital Twin

住房潜力共同数据模型与城市数字孪生

Megan Katsumi, Mark Fox, Anderson Wong, Divnoor Chatha

机构 * Urban Data Research Centre（城市数据研究中心） ； School of Cities University of Toronto（城市学院多伦多大学） 纠错

AI总结 本文提出住房潜力共同数据模型，以解决数据孤岛问题，并通过城市数字孪生和试点仪表盘展示实际应用，为城市规划者提供可行的解决方案。