Harvard University（哈佛大学）

Deep learning water-unsuppressed MRSI at ultra-high field for simultaneous quantitative metabolic, susceptibility and myelin water imaging

深度学习超高速场水抑制磁共振波谱成像用于同时定量代谢、磁化率和髓质水成像

Paul J. Weiser, Jiye Kim, Jongho Lee, Amirmohammad Shamaei, Gulnur Ungan, Malte Hoffmann, Antoine Klauser, Berkin Bilgic, Ovidiu C. Andronesi

机构 * Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Boston, MA, USA（阿提诺拉A.马丁诺斯生物医学成像中心，麻省总医院，波士顿，马萨诸塞州，美国） ； Department of Radiology, Massachusetts General Hospital, Harvard Medical School, Boston, MA, USA（放射科，麻省总医院，哈佛医学院，波士顿，马萨诸塞州，美国） ； Computational Imaging Research Lab, Department of Biomedical Imaging and Image-guided Therapy, Medical University of Vienna, Vienna, Austria（计算成像研究实验室，生物医学成像与影像引导治疗部门，维也纳医科大学，维也纳，奥地利） ； Department of Electrical and Computer Engineering, Seoul National University, Seoul, Republic of Korea（电气与计算机工程系，首尔国立大学，首尔，大韩民国） ； Electrical and Software Engineering, University of Calgary, Calgary, Canada（电子与软件工程，卡尔加里大学，卡尔加里，加拿大） ； Hotchkiss Brain Institute, University of Calgary, Calgary, Canada（霍奇基斯脑研究所，卡尔加里大学，卡尔加里，加拿大） ； Advanced Clinical Imaging Technology, Siemens Healthineers International AG, Lausanne, Switzerland（先进临床影像技术，西门子健康事业国际有限公司，洛桑，瑞士） 纠错

AI总结 本研究利用深度学习方法在7T超高速场强下实现水抑制MRSI，同时进行代谢、磁化率和髓质水成像，通过WALINET+网络有效去除水信号和边带，提升成像质量与效率。

Generative Urban Flow Modeling: From Geometry to Airflow with Graph Diffusion

生成性城市风场建模：从几何到气流的图扩散

Francisco Giral, Álvaro Manzano, Ignacio Gómez, Petros Koumoutsakos, Soledad Le Clainche

机构 * Applied Mathematics Department, ETSIAE-School of Aeronautics, Universidad Politécnica de Madrid（应用数学系、ETSIAE航空学院、马德里理工大学） ； Microflown Technologies（Microflown技术公司） ； Computational Science and Engineering Laboratory, Harvard University（计算科学与工程实验室、哈佛大学） 纠错

AI总结 本文提出了一种基于图扩散的生成模型，用于在非结构化网格上合成城市风场，通过结合层次图神经网络和分数扩散建模，实现对复杂几何形状的高效风场模拟与预测。

How Reinforcement Learning After Next-Token Prediction Facilitates Learning

如何在生成下一个标记后使用强化学习促进学习

Nikolaos Tsilivis, Eran Malach, Karen Ullrich, Julia Kempe

机构 * New York University（纽约大学） ； Harvard University（哈佛大学） ； FAIR, Meta 纠错

AI总结 通过在生成下一个标记后使用强化学习，研究了如何在推理任务中提升模型的学习能力，证明其在预测比特奇偶性等任务中的有效性。

gridfm-datakit-v1: A Python Library for Scalable and Realistic Power Flow and Optimal Power Flow Data Generation

gridfm-datakit-v1: 一种用于可扩展和真实功率流和最优功率流数据生成的Python库

Alban Puech, Matteo Mazzonelli, Celia Cintas, Tamara R. Govindasamy, Mangaliso Mngomezulu, Jonas Weiss, Matteo Baù, Anna Varbella, François Mirallès, Kibaek Kim, Le Xie, Hendrik F. Hamann, Etienne Vos, Thomas Brunschwiler

机构 * IBM Research（IBM研究院） ； ETH Zurich（苏黎世联邦理工学院） ； RSE S.p.A.（RSE公司） ； Hydro-Québec Research Institute（魁北克水电研究所） ； Argonne National Laboratory（阿贡国家实验室） ； Harvard University（哈佛大学） ； Stony Brook University（石溪大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室） 纠错

AI总结 gridfm-datakit-v1是一种用于生成真实且多样化的功率流和最优功率流数据集的Python库，旨在提升机器学习求解器的泛化能力。

Comments Main equal contributors: Alban Puech, Matteo Mazzonelli. Other equal contributors: Celia Cintas, Tamara R. Govindasamy, Mangaliso Mngomezulu, Jonas Weiss

Let's (not) just put things in Context: Test-Time Training for Long-Context LLMs

让我们（不）仅仅将事物放入上下文：针对长上下文LLM的测试时训练

Rachit Bansal, Aston Zhang, Rishabh Tiwari, Lovish Madaan, Sai Surya Duvvuri, Devvrit Khatri, David Brandfonbrener, David Alvarez-Melis, Prajjwal Bhargava, Mihir Sanjay Kale, Samy Jelassi

机构 * Meta ； Harvard University（哈佛大学） ； Kempner Institute at Harvard（哈佛大学凯普纳研究所） ； OpenAI 纠错

AI总结 针对长上下文LLM的测试时训练方法通过针对性梯度更新克服静态自注意力限制，显著提升模型性能。

Graph AI generates neurological hypotheses validated in molecular, organoid, and clinical systems

图神经网络生成神经疾病假说并验证于分子、类器官和临床系统

Ayush Noori, Joaquín Polonuer, Katharina Meyer, Bogdan Budnik, Shad Morton, Xinyuan Wang, Sumaiya Nazeen, Yingnan He, Iñaki Arango, Lucas Vittor, Matthew Woodworth, Richard C. Krolewski, Michelle M. Li, Ninning Liu, Tushar Kamath, Evan Macosko, Dylan Ritter, Jalwa Afroz, Alexander B. H. Henderson, Lorenz Studer, Samuel G. Rodriques, Andrew White, Noa Dagan, David A. Clifton, George M. Church, Sudeshna Das, Jenny M. Tam, Vikram Khurana, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学生物启发工程研究所） ； Department of Neurology, Massachusetts General Hospital（麻省总医院神经科） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； BD 2 : Breakthrough Discoveries for thriving with Bipolar Disorder（BD 2 : 双相情感障碍突破性发现） ； Aligning Science Across Parkinson’s (ASAP) Collaborative Research Network（跨帕金森病科学协同研究网络） ； The Ivan and Francesca Berkowitz Family Living Laboratory Collaboration at Harvard Medical School and Clalit Research Institute（哈佛医学院伊万和弗朗西斯卡·伯克伍德家族生活实验室合作与克赖特研究所） ； Department of Genetics, Harvard Medical School（哈佛医学院遗传学系） ； Department of Neurology, Brigham and Women’s Hospital（布里洛妇女医院神经科） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； The Center for Stem Cell Biology, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心干细胞生物学中心） ； FutureHouse Inc.（FutureHouse公司） ； Clalit Research Institute, Innovation Division, Clalit Health Services（克赖特研究所创新部门，克赖特健康服务） ； Faculty of Computer and Information Science, Ben Gurion University of the Negev（贝内尔·戈里昂大学内盖夫分校计算机与信息科学系） 纠错

AI总结 PROTON通过异构图变换器生成并验证神经疾病假说，应用于帕金森病、双相情感障碍和阿尔茨海默病，揭示AI驱动的神经疾病发现路径。

Scale-Agnostic Kolmogorov-Arnold Geometry in Neural Networks

神经网络中的尺度无关的柯莫戈罗夫-阿诺尔德几何

Mathew Vanherreweghe, Michael H. Freedman, Keith M. Adams

机构 * Pebblebed ； Logical Intelligence ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） 纠错

AI总结 研究显示神经网络在高维数据学习中自发形成尺度无关的柯莫戈罗夫-阿诺尔德几何结构。

DBT-DINO: Towards Foundation model based analysis of Digital Breast Tomosynthesis

DBT-DINO：面向数字乳腺断层摄影的基于基础模型的分析

Felix J. Dorfner, Manon A. Dorster, Ryan Connolly, Oscar Gentilhomme, Edward Gibbs, Steven Graham, Seth Wander, Thomas Schultz, Manisha Bahl, Dania Daye, Albert E. Kim, Christopher P. Bridge

机构 * Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital and Harvard Medical School（阿提诺拉·A·马丁诺生物医学影像中心、麻省总医院和哈佛医学院） ； Department of Radiology, Charité - Universitätsmedizin Berlin（放射科、柏林夏里特大学医学院） ； Mass General Brigham Data Science Office（麻省总医院数据科学办公室） ； Department of Computer Science, Institute for Machine Learning, ETH Zürich（计算机科学系、机器学习研究所、苏黎世联邦理工学院） ； Massachusetts General Hospital Cancer Center and Harvard Medical School（麻省总医院癌症中心和哈佛医学院） ； Department of Radiology, Massachusetts General Hospital（放射科、麻省总医院） ； Department of Radiology, University of Wisconsin School of Medicine and Public Health（放射科、威斯康星大学医学与公共卫生学院） 纠错

AI总结 DBT-DINO是首个针对数字乳腺断层摄影的基础模型，展示了在乳腺密度分类和乳腺癌风险预测上的优越性能，但领域特定预训练在病变检测任务中效果不一。

WALINET: A water and lipid identification convolutional Neural Network for nuisance signal removal in 1H MR Spectroscopic Imaging

WALINET：一种用于消除1H磁共振成像中干扰信号的水和脂质识别卷积神经网络

Paul Weiser, Georg Langs, Stanislav Motyka, Wolfgang Bogner, Sébastien Courvoisier, Malte Hoffmann, Antoine Klauser, Ovidiu C. Andronesi

机构 * Athinoula A. Martinos Center for Biomedical Imaging（阿提诺拉A·马丁诺斯生物医学成像中心） ； Massachusetts General Hospital（麻省总医院） ； Department of Radiology（放射科） ； Massachusetts General Hospital, Harvard Medical School（麻省总医院，哈佛医学院） ； Computational Imaging Research Lab - Department of Biomedical Imaging（计算成像研究实验室—生物医学成像部门） ； Medical University of Vienna（维也纳医学大学） ； High Field MR Center - Department of Biomedical Imaging（高场强MR中心—生物医学成像部门） ； Center for Biomedical Imaging (CIBM)（生物医学成像中心（CIBM）） ； Department of Radiology and Medical Informatics, University of Geneva（日内瓦大学放射科和医学信息学系） 纠错

AI总结 WALINET是一种基于改进Y-NET网络的深度学习方法，用于高效去除全脑1H-MRSI中的水和脂质信号，提升代谢物信号保留和成像质量。

Journal ref Magn Reson Med. 2025; 93: 1430-1442

Reference-Free 3D Reconstruction of Brain Dissection Slabs via Learned Atlas Coordinates

无需参考的脑解剖切片3D重建 via 学习的图谱坐标

Lin Tian, Jonathan Williams-Ramirez, Dina Zemlyanker, Lucas J. Deden-Binder, Rogeny Herisse, Theresa R. Connors, Mark Montine, Istvan N Huszar, Lilla Zöllei, Sean I. Young, Christine Mac Donald, C. Dirk Keene, Derek H. Oakley, Bradley T. Hyman, Oula Puonti, Matthew S. Rosen, Juan Eugenio Iglesias

机构 * Martinos Center for Biomedical Imaging (Martinos Center) at Massachusetts General Hospital (MGH) & Harvard Medical School (HMS)（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的生物医学成像中心（Martinos Center）） ； Computer Science and Artificial Intelligence Laboratory (CSAIL) at the Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）的计算机科学与人工智能实验室（CSAIL）） ； Danish Research Centre for Magnetic Resonance, Centre for Functional and Diagnostic Imaging and Research, Copenhagen University Hospital-Amager and Hvidovre, Copenhagen, Denmark（丹麦磁共振研究中心、功能与诊断成像及研究中心，哥本哈根大学医院-阿迈厄斯和赫维多尔，哥本哈根，丹麦） ； Massachusetts Alzheimer’s Disease Research Center at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的阿尔茨海默病研究中心） ； University of Washington（华盛顿大学） ； Pathology Department at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的病理部门） ； Neurology Department at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的神经病学部门） ； Department of（部门） 纠错

AI总结 RefFree通过学习图谱坐标实现无需参考的脑切片3D重建，适用于单个切片或部分堆栈，提升重建速度和准确性。

The Emergence of Complex Behavior in Large-Scale Ecological Environments

大规模生态环境中复杂行为的出现

Joseph Bejjani, Chase Van Amburg, Chengrui Wang, Chloe Huangyuan Su, Sarah M. Pratt, Yasin Mazloumi, Naeem Khoshnevis, Sham M. Kakade, Kianté Brantley, Aaron Walsman

机构 * Harvard University（哈佛大学） ； Fudan University（复旦大学） ； University of Washington（华盛顿大学） 纠错

AI总结 研究通过大规模生态模拟探索复杂行为的涌现机制，利用进化算法和大规模智能体系统揭示环境规模对行为稳定性的影响。

Comments 33 pages, 23 figures, 12 tables, experiment code available at https://github.com/jbejjani2022/ecological-emergent-behavior

HyperAdaLoRA: Accelerating LoRA Rank Allocation During Training via Hypernetworks without Sacrificing Performance

HyperAdaLoRA: 通过超网络在训练过程中加速LoRA秩分配而不牺牲性能

Hao Zhang, Zhenjia Li, Runfeng Bao, Yifan Gao, Xi Xiao, Heng Zhang, Shuyang Zhang, Bo Huang, Yuhang Wu, Tianyang Wang, Hao Xu

机构 * Harvard University（哈佛大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Fudan University（复旦大学） ； University of Chicago（芝加哥大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； South China Normal University（华南师范大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai University of Engineering Science（上海工程技术大学） 纠错

AI总结 HyperAdaLoRA通过超网络实现训练过程中LoRA秩分配的加速，提升收敛速度同时保持性能

Comments 13 pages

Can LLMs Reason Over Non-Text Modalities in a Training-Free Manner? A Case Study with In-Context Representation Learning

LLMs能否在无训练模式下推理非文本模态？一种基于上下文表示学习的案例研究

Tianle Zhang, Wanlong Fang, Jonathan Woo, Paridhi Latawa, Deepak A. Subramanian, Alvin Chan

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； AI-X, Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学人工智能交叉研究生项目） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科钦医学院） ； Centre of AI in Medicine (C-AIM), Nanyang Technological University（南洋理工大学医学人工智能中心） ； University of Toronto（多伦多大学） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里洛妇女医院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出ICRL框架，使LLMs在无训练情况下利用非文本模态表示，通过少量学习实现多模态推理，为适应性泛化提供新方向。

Comments NeurIPS 2025

When Models Reason in Your Language: Controlling Thinking Language Comes at the Cost of Accuracy

当模型用你的语言思考：控制思考语言会以准确性为代价

Jirui Qi, Shan Chen, Zidi Xiong, Raquel Fernández, Danielle S. Bitterman, Arianna Bisazza

机构 * University of Groningen（格罗宁根大学） ； Harvard University（哈佛大学） ； Mass General Brigham（麻省总医院） ； Boston Children’s Hospital（波士顿儿童医院） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 研究发现，强制模型用用户语言推理虽提高可读性但降低准确性，通过微调可缓解此矛盾，揭示当前大型推理模型在多语言推理上的局限性。

Comments Accepted at EMNLP 2025 Findings

Classifying Metamorphic versus Single-Fold Proteins with Statistical Learning and AlphaFold2

利用统计学习和AlphaFold2对变构蛋白与单构蛋白进行分类

Yongkai Chen, Samuel WK Wong, SC Kou

机构 * Harvard University（哈佛大学） ； University of Waterloo（滑铁卢大学） 纠错

AI总结 本文提出利用AlphaFold2生成构象集合并结合统计学习，对变构与单构蛋白进行分类，提高了对变构蛋白识别的准确性。

Dark Speculation: Combining Qualitative and Quantitative Understanding in Frontier AI Risk Analysis

暗推测：在前沿人工智能风险分析中结合定性和定量理解

Daniel Carpenter, Carson Ezell, Pratyush Mallick, Alexandria Westray

机构 * Harvard University（哈佛大学） ； Harvard College（哈佛学院） 纠错

AI总结 本文提出'暗推测'方法，结合定性和定量分析，系统性地处理前沿人工智能的灾难性风险，以生成概率分布并指导决策。

Comments 43 pages, 2 figures

FALCON: Few-step Accurate Likelihoods for Continuous Flows

FALCON: 连续流中少步准确的似然性

Danyal Rehman, Tara Akhound-Sadegh, Artem Gazizov, Yoshua Bengio, Alexander Tong

机构 * Mila – Quebec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； AITHYRA ； McGill University（麦吉尔大学） ； Harvard University（哈佛大学） 纠错

AI总结 FALCON通过混合训练目标提升连续流的似然精度，实现高效分子采样，比现有模型快两个数量级。

Comments Preprint; NeurIPS 2025 MLSB

Stanford Sleep Bench: Evaluating Polysomnography Pre-training Methods for Sleep Foundation Models

斯坦福睡眠基准：评估多导睡眠图预训练方法用于睡眠基础模型

Magnus Ruud Kjaer, Rahul Thapa, Gauri Ganjoo, Hyatt Moore, Poul Joergen Jennum, Brandon M. Westover, James Zou, Emmanuel Mignot, Bryan He, Andreas Brink-Kjaer

机构 * Stanford University（斯坦福大学） ； Technical University of Denmark（技术大学） ； Danish Center for Sleep Medicine（丹麦睡眠医学中心） ； University of Copenhagen（哥本哈根大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 斯坦福睡眠基准通过大规模多导睡眠图数据集评估多种自监督预训练方法，提升睡眠分析的准确性和可重复性。

CONCUR: A Framework for Continual Constrained and Unconstrained Routing

CONCUR：连续约束和无约束路由的框架

Peter Baile Chen, Weiyue Li, Dan Roth, Michael Cafarella, Samuel Madden, Jacob Andreas

机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 CONCUR提出了一种支持连续和无约束路由的框架，通过模块化设计和多表示学习提升路由效率与准确性。

Resolving Conflicts in Lifelong Learning via Aligning Updates in Subspaces

通过在子空间中对齐更新来解决终身学习中的冲突

Yueer Zhou, Yichen Wu, Ying Wei

机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学） 纠错

AI总结 PS-LoRA通过在优化子空间中对齐更新，解决终身学习中的冲突问题，提升模型在新领域适应时的稳定性与效率。

Optimizing Algorithms for Mobile Health Interventions with Active Querying Optimization

优化移动健康干预中的算法以实现主动查询优化

Aseel Rawashdeh

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出一种贝叶斯扩展的ATM算法，以提升移动健康干预中强化学习的稳定性与样本效率，同时揭示现有方法在复杂现实场景中的局限性。

Classifying Phonotrauma Severity from Vocal Fold Images with Soft Ordinal Regression

从声带图像中利用软序数回归分类声音创伤严重程度

Katie Matton, Purvaja Balaji, Hamzeh Ghasemzadeh, Jameson C. Cooper, Daryush D. Mehta, Jarrad H. Van Stan, Robert E. Hillman, Rosalind Picard, John Guttag, S. Mazdak Abulnaga

机构 * Massachusetts Institute of Technology（麻省理工学院） ； School of Communication Sciences and Disorders University of Central Florida（中央佛罗里达大学通信科学与障碍学系） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； Center for Laryngeal Surgery and Voice Rehabilitation（嗓音外科与嗓音康复中心） ； Department of Surgery（外科部门） ； Institute of Health Professions（健康专业研究所） ； Athinoula Martinos Center（阿提尼奥拉马丁诺斯中心） 纠错

AI总结 本文提出了一种基于软序数回归的方法，用于自动分类声音创伤的严重程度，实现了接近临床专家的预测性能并提供可靠的不确定性估计。

Comments 16 pages, 9 figures, 5 tables; ML4H 2025; Proceedings of Machine Learning Research 297, 2025

Manifolds and Modules: How Function Develops in a Neural Foundation Model

流形与模块：神经基础模型中函数如何发展

Johannes Bertram, Luciano Dyballa, T. Anderson Keller, Savik Kinger, Steven W. Zucker

机构 * University of Tübingen（图宾根大学） ； School of Science & Technology（科学与技术学院） ； IE University（IE大学） ； The Kempner Institute for Natural and Artificial Intelligence（自然与人工智能研究所） ； Harvard University（哈佛大学） ； Department of Computer Science（计算机科学系） ； Yale University（耶鲁大学） ； Depts. of Computer Science and Biomedical Engineering（计算机科学与生物医学工程系） ； Wu Tsai Institute（吴士怀研究所） 纠错

AI总结 本文通过分析神经基础模型中不同处理阶段的流形结构，揭示其在生物相关性方面的贡献。

Comments 25 pages, 10 figures, accepted at Data on the Brain & Mind Findings, NeurIPS 2025

Sparse Variable Projection in Robotic Perception: Exploiting Separable Structure for Efficient Nonlinear Optimization

稀疏变量投影在机器人感知中的应用：利用可分离结构实现高效的非线性优化

Alan Papalia, Nikolas Sanderson, Haoyu Han, Heng Yang, Hanumant Singh, Michael Everett

机构 * Northeastern University, USA（东北大学） ； University of Michigan（密歇根大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出了一种针对具有规范对称性的机器人感知问题的变量投影方法，通过利用可分离性和稀疏性，提高了非线性优化的效率和准确性。

Comments 8 pages, submitted for review

Why Chain of Thought Fails in Clinical Text Understanding

为什么链式思维在临床文本理解中失效

Jiageng Wu, Kevin Xie, Bowen Gu, Nils Krüger, Kueiyu Joshua Lin, Jie Yang

机构 * Harvard Medical School（哈佛医学院） ； MIT（麻省理工学院） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所） 纠错

AI总结 本研究发现链式思维在临床文本理解中导致性能下降，揭示了其在临床任务中可靠性与可解释性的矛盾。

Training Task Reasoning LLM Agents for Multi-turn Task Planning via Single-turn Reinforcement Learning

通过单次强化学习训练多轮任务规划的LLM代理

Hanjiang Hu, Changliu Liu, Na Li, Yebin Wang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL）） 纠错

AI总结 本文通过单次强化学习训练LLM代理进行多轮任务规划，利用GRPO实现高效策略优化，实验显示其在复杂任务规划中的表现优于大参数基线模型。

Comments Accepted by IEEE Control Systems Letters (L-CSS)

Future You: Designing and Evaluating Multimodal AI-generated Digital Twins for Strengthening Future Self-Continuity

未来你：设计和评估多模态AI生成的数字双胞胎以加强未来自我连续性

Constanze Albrecht, Chayapatr Archiwaranguprok, Rachel Poonsiriwong, Awu Chen, Peggy Yin, Monchai Lertsutthiwong, Kavin Winson, Hal Hershfield, Pattie Maes, Pat Pataranutaporn

机构 * MIT Media Lab（MIT媒体实验室） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； KASIKORN Labs（KASIKORN实验室） 纠错

AI总结 本研究通过多模态AI生成的未来自我探索其对自我连续性、情绪和动机的影响，发现avatar效果最佳，但各模态无显著差异，互动质量是关键因素。

Real-time Remote Tracking and Autonomous Planning for Whale Rendezvous using Robots

使用机器人进行实时远程追踪和自主规划的座头鲸会合系统

Sushmita Bhattacharya, Ninad Jadhav, Hammad Izhar, Karen Li, Kevin George, Robert Wood, Stephanie Gil

机构 * Harvard University（哈佛大学） ； Project CETI 纠错

AI总结 本文提出了一种基于模型强化学习的实时远程追踪和自主规划系统，用于海上座头鲸会合任务。

Journal ref International Symposium of Experimental Robotics 2025

VirDA: Reusing Backbone for Unsupervised Domain Adaptation with Visual Reprogramming

VirDA: 利用视觉重编程复用骨干网络进行无监督域适应

Duy Nguyen, Dat Nguyen

机构 * Hanoi University of Science and Technology（河内科学技术大学） ； Harvard University（哈佛大学） 纠错

AI总结 VirDA通过视觉重编程层实现无监督域适应，利用领域特定纹理偏见提升性能，仅用1.5M参数达到92.8%准确率，超越现有方法。

Comments To be published in TMLR

Coefficient of Variation Masking: A Volatility-Aware Strategy for EHR Foundation Models

方差系数掩码：一种考虑波动性的电子健康记录基础模型策略

Rajna Fani, Rafi Al Attrach, David Restrepo, Yugang Jia, Leo Anthony Celi, Peter Schüffler

机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； MICS CentraleSupélec – Université Paris-Saclay（巴黎萨克雷大学CentraleSupélec研究所） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； Institute of Pathology Technical University of Munich（慕尼黑技术大学病理研究所） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

AI总结 本文提出CV-Masking策略，通过考虑特征波动性改进EHR基础模型的预训练，提升重建性能和下游任务表现。

Comments 16 pages, 9 figures, 1 table, 1 algorithm. Accepted at Machine Learning for Health (ML4H) 2025, Proceedings of the Machine Learning Research (PMLR)