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