Harvard University（哈佛大学）

Protein Graph Neural Networks for Heterogeneous Cryo-EM Reconstruction

基于蛋白质图神经网络的异质冷冻电镜重建

Jonathan Krook, Axel Janson, Joakim Andén, Melanie Weber, Ozan Öktem

机构 * KTH Royal Institute of Technology（皇家理工学院） ； Harvard University（哈佛大学） ； Department of Mathematics（数学系） ； School of Engineering and Applied Sciences（工程与应用科学学院） 纠错

AI总结 本文提出基于图神经网络的异质冷冻电镜重建方法，通过几何感知的归纳偏置提升骨架构象预测的准确性。

Improved high-dimensional estimation with Langevin dynamics and stochastic weight averaging

改进的高维估计与 Langevin 动力学和随机权重平均

Stanley Wei, Alex Damian, Jason D. Lee

机构 * Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出利用 Langevin 动力学和迭代平均来改进高维估计，证明在不显式平滑的情况下，Langevin 动力学可在n≈d^{k*/2}样本下成功恢复隐藏方向。

Shifting Adaptation from Weight Space to Memory Space: A Memory-Augmented Agent for Medical Image Segmentation

从权重空间到记忆空间的迁移适应：一种用于医学图像分割的记忆增强代理

Bowen Chen, Qiaohui Gao, Shaowen Wan, Shanhui Sun, Wei Liu, Xiang Li, Tianming Liu, Lin Zhao

机构 * Department of Electrical and Computer Engineering, University of California, Santa Barbara, Santa Barbara, CA 93106, USA（电子工程系，加州大学圣芭芭拉分校） ； College of Engineering, Northeastern University, Boston, MA 02115, USA（工程学院，东北大学） ； Department of Biomedical Engineering, New Jersey Institute of Technology, Newark, NJ 07102, USA（生物医学工程系，新泽西理工学院） ； United Imaging Intelligence, Burlington, MA 01803, USA（联合影像智能公司） ； Department of Radiation Oncology, Mayo Clinic, Scottsdale, AZ 85259, USA（放射肿瘤科，梅奥诊所） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School, Boston, MA 02115, USA（放射科，麻省总医院和哈佛医学院） ； School of Computing, University of Georgia, Athens, GA 30602, USA（计算学院，佐治亚大学） 纠错

AI总结 本文提出MemSeg-Agent，通过将适应从权重空间转移到记忆空间，实现少样本学习、联邦监督学习和测试时间适应，提升医学图像分割的泛化能力和效率。

MoE Lens -- An Expert Is All You Need

MoE Lens -- 一个专家足矣

Marmik Chaudhari, Idhant Gulati, Nishkal Hundia, Pranav Karra, Shivam Raval

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Maryland（马里兰大学） ； Harvard University（哈佛大学） 纠错

AI总结 MoE Lens研究显示，MoE模型主要依赖少数专家，通过针对性剪枝可优化推理，同时保持性能。

Comments 15 pages, 10 figures, ICLR 2025 Workshop on Sparsity in LLMs (SLLM)

Ambiguity Collapse by LLMs: A Taxonomy of Epistemic Risks

LLMs中的模糊性消解：一种认知风险的分类

Shira Gur-Arieh, Angelina Wang, Sina Fazelpour

机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） 纠错

AI总结 本文探讨了LLMs在处理模糊术语时引发的认知风险，提出模糊性消解现象，并通过案例研究分析其在过程、输出和生态系统层面的影响，提出多层缓解原则以管理模糊性。

Interpretable Motion Artificat Detection in structural Brain MRI

可解释的结构脑MRI运动伪影检测

Naveetha Nithianandam, Prabhjot Kaur, Anil Kumar Sao

机构 * Indian Institute of Technology, Madras（印度理工学院，马德拉斯） ； Boston Childrens Hospital, Harvard Medical School（波士顿儿童医院，哈佛医学院） ； Indian Institute of Technology, Bhilai（印度理工学院，比哈尔） 纠错

AI总结 本文提出了一种轻量可解释的框架，通过扩展DHoGM到三维空间，有效检测结构脑MRI中的运动伪影，实现高准确率和高效计算。

Gabor Primitives for Accelerated Cardiac Cine MRI Reconstruction

用于加速心脏 cine MRI 重建的 Gabor 原始要素

Wenqi Huang, Veronika Spieker, Nil Stolt-Ansó, Natascha Niessen, Maik Dannecker, Sevgi Gokce Kafali, Sila Kurugol, Julia A. Schnabel, Daniel Rueckert

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM) and TUM University Hospital, Munich, Germany（人工智能在医疗与医学中的chair，慕尼黑技术大学（TUM）和慕尼黑技术大学医院，德国慕尼黑） ； School of Computation and Information Technology, Technical University of Munich, Munich, Germany（计算与信息科技学院，慕尼黑技术大学，德国慕尼黑） ； Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Neuherberg, Germany（生物医学影像中的机器学习研究所，海德堡慕尼黑，德国纽赫堡） ； Department of Radiology, Boston Children's Hospital and Harvard Medical School, Boston, USA（放射科，波士顿儿童医院和哈佛医学院，美国波士顿） ； Munich Center for Machine Learning, Technical University of Munich, Munich, Germany（慕尼黑机器学习中心，慕尼黑技术大学，德国慕尼黑） ； GE HealthCare, Munich, Germany（通用电气医疗系统，德国慕尼黑） ； School of Biomedical Engineering and Imaging Sciences, King's College London, London, United Kingdom（生物医学工程与成像科学学院，伦敦国王学院，英国伦敦） ； Department of Computing, Imperial College London, London, United Kingdom（计算学院，伦敦帝国学院，英国伦敦） 纠错

AI总结 本文提出 Gabor 原始要素用于加速心脏 cine MRI 重建，通过调制高斯包络实现灵活频谱支持，提升对光滑结构和锐利边界的表示能力。