University of Washington（华盛顿大学）

Clinical Interpretability of Deep Learning Segmentation Through Shapley-Derived Agreement and Uncertainty Metrics

通过Shapley衍生的共识和不确定性度量实现深度学习分割的临床可解释性

Tianyi Ren, Daniel Low, Pittra Jaengprajak, Juampablo Heras Rivera, Jacob Ruzevick, Mehmet Kurt

机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； University of Washington School of Medicine（华盛顿大学医学院） ； Department of Neurological Surgery, University of Washington（华盛顿大学神经外科系） 纠错

AI总结 本研究通过Shapley值提出共识和不确定性度量，用于评估深度学习分割模型的临床可解释性，以提高模型在医学影像中的可靠性与可接受性。

Ideal Attribution and Faithful Watermarks for Language Models

语言模型中的理想归因与忠实水印

Min Jae Song, Kameron Shahabi

机构 * Data Science Institute, University of Chicago（芝加哥大学数据科学研究院） ； Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·阿伦计算机科学与工程学院） 纠错

AI总结 本文提出了一种理想归因机制和水印方案框架，通过统一的语言和明确的保证，提升水印方案的理论基础和实际应用价值。

Comments 30 pages

PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory

PersonaMem-v2：通过学习隐式用户人设和代理记忆实现个性化智能

Bowen Jiang, Yuan Yuan, Maohao Shen, Zhuoqun Hao, Zhangchen Xu, Zichen Chen, Ziyi Liu, Anvesh Rao Vijjini, Jiashu He, Hanchao Yu, Radha Poovendran, Gregory Wornell, Lyle Ungar, Dan Roth, Sihao Chen, Camillo Jose Taylor

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of California Santa Barbara（加州大学圣巴巴拉分校） ； Meta ； University of Southern California（南加州大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Corporation（微软公司） 纠错

AI总结 PersonaMem-v2通过学习隐式用户人设和代理记忆提升LLM个性化能力，实验显示强化微调使模型在隐式个性化任务中准确率达53%。

Comments Data is available at https://huggingface.co/datasets/bowen-upenn/PersonaMem-v2

FacePhys: State of the Heart Learning

FacePhys: 心脏状态学习的现状

Kegang Wang, Jiankai Tang, Yuntao Wang, Xin Liu, Yuxuan Fan, Jiatong Ji, Yuanchun Shi, Daniel McDuff

机构 * Tsinghua University（清华大学） ； University of Washington（华盛顿大学） 纠错

AI总结 FacePhys通过时-空状态空间对偶性实现高效的rPPG算法，显著降低错误率，支持低延迟实时推断。

Quantization Blindspots: How Model Compression Breaks Backdoor Defenses

量化盲区：模型压缩如何破坏后门防御

Rohan Pandey, Eric Ye

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本研究发现量化过程显著降低后门防御的检测率，揭示了现有防御在实际部署中面临的关键挑战。

Comments 10 pages

SSP-GNN: Learning to Track via Bilevel Optimization

SSP-GNN：通过双层优化学习跟踪

Griffin Golias, Masa Nakura-Fan, Vitaly Ablavsky

机构 * Applied Physics Laboratory（应用物理实验室） ； University of Washington（华盛顿大学） ； Paul G. Allen School of Computer Science（保罗·G·艾伦计算机科学学院） 纠错

AI总结 SSP-GNN通过双层优化学习跟踪，利用图神经网络和 successive shortest paths 算法实现多目标跟踪。