EPFL（洛桑联邦理工学院）

ODySSeI: An Open-Source End-to-End Framework for Automated Detection, Segmentation, and Severity Estimation of Lesions in Invasive Coronary Angiography Images

ODySSeI：一种开源端到端框架，用于侵袭性冠状动脉造影图像中病变的自动检测、分割和严重程度估计

Anand Choudhary, Xiaowu Sun, Thabo Mahendiran, Ortal Senouf, Denise Auberson, Bernard De Bruyne, Stephane Fournier, Olivier Muller, Emmanuel Abbé, Pascal Frossard, Dorina Thanou

机构 * LTS4 Laboratory, EPFL, Lausanne, Switzerland（EPFL LTS4实验室，瑞士拉瓦尔大学） ； Chair of Mathematical Data Science, EPFL, Lausanne, Switzerland（EPFL数学数据科学教授职位，瑞士拉瓦尔大学） ； EPFL AI Center, Lausanne, Switzerland（EPFL人工智能中心，瑞士拉瓦尔大学） ； Cardiology Department, CHUV, Lausanne, Switzerland（CHUV心内科，瑞士拉瓦尔大学） ； Cardiovascular Center, OLV, Aalst, Belgium（OLV心血管中心，比利时艾尔斯特） ； School of AIAC, Xi’an Jiaotong-Liverpool University, Suzhou, China（西安交通大学利物浦大学人工智能学院，中国苏州） 纠错

AI总结 本文提出ODySSeI框架，通过Pyramidal Augmentation Scheme提升性能，实现病变自动检测与分割，并提出无需冠状动脉造影的病变严重程度估计方法，验证其在多种临床数据集上的通用性。

Heavy-Tailed and Long-Range Dependent Noise in Stochastic Approximation: A Finite-Time Analysis

在随机逼近中考虑厚尾和长程依赖噪声：有限时间分析

Siddharth Chandak, Anuj Yadav, Ayfer Ozgur, Nicholas Bambos

机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； School of Computer & Communication Sciences, EPFL（苏黎世联邦理工学院计算机与通信科学学院） 纠错

AI总结 本文研究了在厚尾和长程依赖噪声下通过随机逼近寻找强单增算子根的问题，建立了首个有限时间矩界，提供了明确的收敛速率，并通过数值实验验证了分析结果。

Comments Submitted to IEEE Transactions on Automatic Control

ResNets of All Shapes and Sizes: Convergence of Training Dynamics in the Large-scale Limit

各种形状和大小的ResNets：在大规模极限下训练动态的收敛性

Louis-Pierre Chaintron, Lénaïc Chizat, Javier Maass

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院） 纠错

AI总结 本文研究了ResNets在大规模极限下的训练动态收敛性，证明了在特定条件下误差率与深度、隐藏宽度和嵌入维度有关，且在嵌入空间中具有实验证据支持。