Harvard University（哈佛大学）

A Novel Framework using Intuitionistic Fuzzy Logic with U-Net and U-Net++ Architecture: A case Study of MRI Bain Image Segmentation

一种利用直觉模糊逻辑与U-Net和U-Net++架构的新型框架：MRI脑图像分割的案例研究

Hanuman Verma, Kiho Im, Akshansh Gupta, M. Tanveer

机构 * Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh, 243005, India（巴里利学院数学系，巴里利（MJP罗希兰德大学），乌塔尔普拉德什，243005，印度） ； Fetal Neonatal Neuroimaging and Developmental Science Center, Boston Children’s Hospital, Harvard Medical School, Boston, MA 02115, USA and Division of Newborn Medicine, Boston Children’s Hospital, Harvard Medical School, Boston, MA 02115, USA also with Department of Pediatrics, Harvard Medical School, Boston, MA, USA（波士顿儿童医院胎儿和新生儿神经影像与发育科学中心，哈佛医学院，波士顿，马萨诸塞州02115，美国；波士顿儿童医院新生儿医学科，哈佛医学院，波士顿，马萨诸塞州02115，美国；也与哈佛医学院儿科系，波士顿，马萨诸塞州，美国） ； National Institute of Science Communication and Policy Research, New Delhi, 110012, India（国家科学传播与政策研究所，新德里，110012，印度） ； Department of Mathematics, Indian Institute of Technology Indore, Indore (M.P.)-453552, India（印度理工学院印度尔数学系，印度尔（马哈拉施特拉邦）-453552，印度） 纠错

AI总结 本文提出一种结合直觉模糊逻辑的U-Net和U-Net++框架，用于提高MRI脑图像分割的准确性，通过处理图像中的不确定性提升分割性能。

Comments 13 pages, 8 figures

Simulation to Rules: A Dual-VLM Framework for Formal Visual Planning

模拟到规则：一个双VLM框架用于正式视觉规划

Yilun Hao, Yongchao Chen, Chuchu Fan, Yang Zhang

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

AI总结 本文提出VLMFP框架，结合SimVLM和GenVLM实现自动生成PDDL问题和领域文件，提升视觉规划的精确性和泛化能力。

Comments 40 pages, 6 figures, 13 tables

Universal Sparse Autoencoders: Interpretable Cross-Model Concept Alignment

通用稀疏自编码器：可解释的跨模型概念对齐

Harrish Thasarathan, Julian Forsyth, Thomas Fel, Matthew Kowal, Konstantinos G. Derpanis

机构 * York University（约克大学） ； University of Toronto（多伦多大学） ； Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Vector Institute（向量研究所） ； Samsung AI Centre（三星人工智能中心） ； Trajectory Labs（轨迹实验室） 纠错

AI总结 本文提出通用稀疏自编码器（USAEs），用于揭示并对齐多个预训练深度神经网络中的可解释概念。通过训练一个能重构多个模型内部激活的稀疏自编码器，USAEs发现跨任务、架构和数据集的共同因素概念，为多模型AI系统提供新的可解释分析方法。