Harvard University（哈佛大学）

Asymmetric Focal Loss Improves Graph Neural Network Prediction of Drug-Drug Interactions

非对称焦点损失改进药物-药物相互作用的图神经网络预测

Faranak Hatami, Mousa Moradi

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 研究针对图神经网络预测药物-药物相互作用时标准训练方法的不足，提出将临床焦点损失集成到关系感知图卷积网络中，显著提升了预测的准确率、F1分数等指标，证明损失函数设计对改进基于图的DDI预测有重要作用。

Operationalizing Individual Fairness via Gradient Descent and Bradley-Terry Models

通过梯度下降和Bradley-Terry模型实现个体公平性

Conlan Olson, Linjun Zhang, Zhun Deng, Pragya Sur

机构 * Columbia University（哥伦比亚大学） ； Rutgers University（罗格斯大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Harvard University（哈佛大学） 纠错

AI总结 提出一种从三元组查询中学习马氏距离度量的算法，结合谱初始化与梯度下降，在非凸损失下快速收敛到真实度量，并证明估计度量下的个体公平性足以近似真实度量下的公平性。

Comments 60 pages, 2 figures

AI Chatbot Suicide Risk Detection and Response: Human Validation Study of the Open-Source VERA-MH Safety Evaluation

人工智能聊天机器人自杀风险检测与应对：开源VERA-MH安全评估的人工验证研究

Kate H. Bentley, Luca Belli, Adam M. Chekroud, Emily J. Ward, Emily R. Dworkin, Emily Van Ark, Kelly M. Johnston, Will Alexander, Millard Brown, Matt Hawrilenko

机构 * Spring Health ； Harvard Medical School（哈佛医学院） ； UC Berkeley（加州大学伯克利分校） ； Yale University（耶鲁大学） 纠错

AI总结 研究针对人工智能聊天机器人用于心理支持时的安全性评估问题，以VERA-MH为基准，模拟用户与聊天机器人对话，通过持牌临床医生和基于LLM的评估器评级，验证了VERA-MH在检测自杀风险方面的可靠性，为后续研究指明方向。

Journal ref JMIR AI. 2026;5

DynamiQ: Accelerating Gradient Synchronization using Compressed Multi-hop All-reduce

DynamiQ：使用压缩多跳全规约加速梯度同步

Wenchen Han, Shay Vargaftik, Michael Mitzenmacher, Ran Ben Basat

机构 * University College London（伦敦大学） ； VMware Research by Broadcom（VMware由Broadcom进行的研究） ； Harvard University（哈佛大学） ； Broadcom 纠错

AI总结 研究针对大规模模型训练中网络成瓶颈的问题，提出DynamiQ量化框架，引入新技术并设计融合内核，扩展PyTorch DDP支持，在不同场景下比现有方法最多提升34.2%。

Comments 17 pages, 19 figures. Accepted to ACM SIGCOMM 2026

MMEarth-Bench: Global Model Adaptation via Multimodal Test-Time Training

MMEarth-Bench：通过多模态测试时训练进行全局模型适配

Lucia Gordon, Serge Belongie, Christian Igel, Nico Lang

机构 * Harvard University, USA（哈佛大学，美国） ； University of Copenhagen, Denmark（哥本哈根大学，丹麦） 纠错

AI总结 研究针对地理空间机器学习中现有基准数据集不足，引入含多模态任务的MMEarth-Bench，通过多模态测试时训练方法提升模型性能，改善地理泛化能力。

Comments Published at ECCV 2026