Harvard University（哈佛大学）

Scaling up fine-grained intracranial vessel annotations in computed tomography angiography

在计算机断层扫描血管造影中扩展精细颅内血管标注

Chu-Hsuan Lin, Alberto Mario Ceballos-Arroyo, Jisoo Kim, Shrikanth M. Yadav, Huaizu Jiang, Lei Qin, Geoffrey S. Young

机构 * Brigham and Women’s Hospital Harvard Medical School（哈佛医学院布莱尔妇女医院） ； Khoury College of Computer Sciences Northeastern University（东北大学计算机科学学院） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Dana-Farber Cancer Institute Harvard Medical School（哈佛医学院丹娜-法伯癌症研究院） 纠错

AI总结 提出SemanticVessel数据集，利用4D-CTA动态扫描生成动静脉分割，通过强度引导区域生长标注20种动脉类别，并复用标签扩展数据集，训练模型提升精细分割性能。

Comments 24 pages, 8 figures

Position: Correct Answer, Wrong Mechanism -- When AI Scientists Defend General Claims Their Own Data Contradicts

立场：正确答案，错误机制——当AI科学家用自身数据反驳其通用主张时

Steven Young Eulig

机构 * Department of Physics and Laboratory for Particle Physics and Cosmology (LPPC), Harvard University（哈佛大学物理系与粒子物理与宇宙学实验室（LPPC）） 纠错

AI总结 本文通过编码代理在Geant4模拟中重新发现已知粒子识别可观测量的实验，指出仅以最终结果评估AI科学家系统不足，提出需分别衡量任务结果、机制保真度和认知诚实性，并发现正确答案但错误机制（CAWM）现象。

Comments 8 pages body plus 12 pages references and appendix, non-archival upload for ICML 2026 AI for Science workshop, selected as spotlight paper

GRAIN: Group Aggregation via Min-Norm Objective

GRAIN: 通过最小范数目标进行组聚合

Nghia Bui, Jiarui Yao, Lijing Wang

机构 * New Jersey Institute of Technology（新泽西理工学院） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 提出GRAIN算法，用组梯度的最小范数凸组合替代均值聚合，解决梯度冲突，保证收敛并降低方差，在大型预训练模型上提升性能。

Rebuttals Move Peer-Review Scores, but Initial-Review Structure Bounds the Movement

反驳会改变同行评审分数，但初始评审结构限制了变化幅度

Mathieu Louis, Tibo Vanleke, Vincent Ginis, Andres Algaba

机构 * Data Analytics Lab, Vrije Universiteit Brussel（自由大学布鲁塞尔数据分析实验室） ； imec-SMIT, Vrije Universiteit Brussel（imec-SMIT，自由大学布鲁塞尔） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） 纠错

AI总结 利用ICLR 2024-2025的73,000条评审轨迹，结合LLM分析，发现反驳能改变分数，但初始评审结构已预测大部分变化，且可测量的交换信号多为反驳失败模式。

Comments 26 pages, 7 figures, 12 tables

DeformX: A Versatile Co-Simulation Framework for Deformable Linear Objects

DeformX: 一种用于可变形线性物体的多功能协同仿真框架

Yi Yang, Xiang Fei, Lehong Wang, Chenhao Li, Zilin Dai, Henry Kou, Lu Li, Howie Choset

机构 * The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系） ； School of Ocean and Civil Engineering, Shanghai Jiao Tong University（上海交通大学海洋与土木工程学院） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学致远学院） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院） 纠错

AI总结 提出DeformX框架，集成Cosserat杆物理引擎与NVIDIA Isaac Sim，实现可变形线性物体的物理精确与视觉真实仿真，支持机器人学习，在真实线缆分割和绳索摆动任务中验证了仿真到现实的迁移能力。

Comments 11 pages, 11 figures, 5 tables, IROS 2026. Website: https://deformx.github.io/

AgentDSE: Reasoning-Augmented Architectural Design Space Exploration

AgentDSE：推理增强的架构设计空间探索

Chenyu Wang, Jiahe Caroline Shi, David Kong, Duane S. Boning, Zishen Wan, Yilun Du, Vijay Janapa Reddi

机构 * Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） 纠错

AI总结 提出AgentDSE，利用大语言模型编码代理自动进行架构推理，在DNN加速器映射、软硬件协同设计和CPU缓存层次优化中，以少两个数量级的评估次数达到竞争或更优的设计质量。

Comments Accepted to the Machine Learning for Architecture and Systems Workshop (MLArchSys), co-located with ISCA 2026

AI Alignment From Social Choice Perspectives

从社会选择视角看AI对齐

Daniel Halpern, Evi Micha, Ariel D. Procaccia, Benjamin Schiffer, Itai Shapira, Shirley Zhang

机构 * Google Research（谷歌研究院） ； University of Southern California（南加州大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文从社会选择理论视角审视人类反馈对齐中的偏好聚合问题，识别失败模式并揭示处理分歧的广阔设计空间。

Comments Accepted for publication in ACM SIGecom Exchanges

Deep Image Prototype Learning with Geometric Heat-Kernel Priors

基于热核先验的流形变分学习

Jiarui Xing, Tal Zeevi, Nian Wu, Jian Wang

机构 * Yale School of Medicine（耶鲁大学医学院） ； University of Virginia（弗吉尼亚大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 提出一种流形锚定变分框架，利用几何感知EM算法选择热核加权潜图上的图中心点作为原型，确保原型在流形上，并通过Dirichlet能量正则化保持潜空间几何平滑，在心脏瘢痕和脑MRI基准上取得最高精度和清晰原型。

Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology

使用多模态混合专家病理基础模型预测免疫生物标志物，赋能精准肿瘤学

Tianyu Liu, Ziqing Wang, Zhaokang Liang, Tong Ding, Peter Humphrey, Lorraine Colón-Cartagena, Emily Ling-Lin Pai, Kenneth Tou En Chang, Mohamed Kahila, Jonathan Chong Kai Liew, Tinglin Huang, Rex Ying, Kaize Ding, Faisal Mahmood, Wengong Jin

机构 * Program of Computational Biology and Bioinforamtics, Yale University（耶鲁大学计算生物学与生物信息学项目） ； Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Department of Statistics and Data Science, Northwestern University（西北大学统计与数据科学系） ； Department of Computer Science, Northeastern University（东北大学计算机科学系） ； Department of Computer Science, Harvard University（哈佛大学计算机科学系） ； Department of Pathology, Yale University（耶鲁大学病理学系） ； Department of Anatomic Pathology and Laboratory Medicine, Hospital of the University of Pennsylvania（宾夕法尼亚大学医院解剖病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, University of California, San Francisco（加州大学旧金山分校病理学与检验医学系） ； Department of Pathology and Laboratory Medicine, KK Women’s and Children’s Hospital（竹脚妇幼医院病理学与检验医学系） ； Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学与信息学系） 纠错

AI总结 提出MixTIME多模态基础模型，采用混合专家架构整合不同模态的病理基础模型，从HE全切片图像预测多重免疫荧光蛋白表达，在17个蛋白标记物上达到最优性能，并增强空间域识别、生存预测等下游任务。

Comments 5 figures

DASIP: Dynamic Test-Time Compute Scaling for Robot Control with Stochastic Interpolant Policies

DASIP：基于随机插值策略的机器人控制动态测试时计算缩放

Inkook Chun, Seungjae Lee, Michael S. Albergo, Saining Xie, Eric Vanden-Eijnden

机构 * New York University（纽约大学） ； University of Maryland（马里兰大学） ； Harvard University（哈佛大学） ； Capital Fund Management（资本基金管理公司） 纠错

AI总结 提出难度感知随机插值策略（DA-SIP），通过难度分类器动态调整推理步数、求解器和ODE/SDE积分，在保持任务成功率的同时将计算时间减少2.6-4.4倍。

Conformal and kNN Predictive Uncertainty Quantification Algorithms in Metric Spaces

度量空间中的共形和kNN预测不确定性量化算法

Gábor Lugosi, Marcos Matabuena

机构 * Department of Economics and Business, Pompeu Fabra University（巴塞罗那庞培法布拉大学经济与商业系） ； ICREA ； Barcelona Graduate School of Economics（巴塞罗那经济研究生院） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Department of Biostatistics, Harvard University（哈佛大学生物统计学系） 纠错

AI总结 针对度量空间回归模型，提出基于同方差性的共形预测算法和异方差下的kNN过程，分别提供有限样本覆盖保证和局部自适应预测半径，适用于大规模数据和序列扩展。

Comments arXiv admin note: text overlap with arXiv:2405.05110

A statistical physics framework for optimal learning

最优学习的统计物理框架

Francesca Mignacco, Francesco Mori

机构 * Joseph Henry Laboratories of Physics, Princeton University（普林斯顿大学物理系Joseph Henry实验室） ； Graduate Center, City University of New York（纽约市立大学研究生中心） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学与应用中心） 纠错

AI总结 结合统计物理与控制论，在高维极限下推导出跟踪随机梯度下降的常微分方程，将学习协议设计转化为最优控制问题，并应用于课程学习、自适应dropout和去噪自编码器噪声调度，揭示最优协议如何平衡学习权衡。

Comments 29 pages, 10 figures

Journal ref PNAS Nexus, Volume 5, Issue 6, June 2026, pgag182