Johns Hopkins University（约翰斯·霍普金斯大学）

ZScribbleSeg: A comprehensive segmentation framework with modeling of efficient annotation and maximization of scribble supervision

ZScribbleSeg: 一种综合分割框架，包含高效标注建模和scribble监督最大化

Ke Zhang, Bomin Wang, Hangqi Zhou, Xiahai Zhuang

机构 * School of Data Science, Fudan University, Shanghai, 200433, China（复旦大学数据科学学院） ； Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学电气与计算机工程系） 纠错

AI总结 本文提出ZScribbleSeg框架，通过最大化scribble监督和随机模拟实现高效标注，结合先验知识提升医学图像分割性能，适用于六个任务。

Comments Accepted by Medical Image Analysis

Towards Reliable LLM Evaluation: Correcting the Winner's Curse in Adaptive Benchmarking

迈向可靠的LLM评估：在自适应基准测试中纠正胜利者偏差

Yang Xu, Jiefu Zhang, Haixiang Sun, Zihan Zhou, Tianyu Cao, Vaneet Aggarwal

机构 * Purdue University（普渡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Purdue University, USA（美国普渡大学） 纠错

AI总结 本文研究了自适应基准测试中胜利者偏差问题，提出SIREN方法以提高评估可靠性，通过冻结短名单、分离选择与评估并采用高斯乘子bootstrap进行不确定性量化，实验证明其在有限预算下能提供有效的置信区间和比较。

An extremely coarse feedback signal is sufficient for learning human-aligned visual representations

极粗的反馈信号足以学习与人类对齐的视觉表征

Yash Mehta, Michael F. Bonner

机构 * Department of Cognitive Science, Johns Hopkins University（约翰霍普金斯大学认知科学系） 纠错

AI总结 研究探讨了粗略反馈信号对视觉表征对齐的影响，发现即使仅区分8类，网络表征也能达到甚至超越细粒度模型的对齐程度，并更接近人类感知相似性判断。

Comments 21 Pages, 6 Figures

Taming the Curses of Multiagency in Robust Markov Games with Large State Space through Linear Function Approximation

通过线性函数近似缓解大规模马尔可夫游戏中多智能体的诅咒

Jingchu Gai, Laixi Shi

机构 * CMU Machine Learning Department（卡内基梅隆大学机器学习系） ； Machine Learning Department, Carnegie Mellon University（机器学习系，卡内基梅隆大学） ； Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） 纠错

AI总结 本文提出通过线性函数近似解决大规模马尔可夫游戏中多智能体的样本复杂度诅咒，开发了在生成模型和新提出的在线交互设置中具有证明数据效率的算法。

LC4-DViT: Land-cover Creation for Land-cover Classification with Deformable Vision Transformer

LC4-DViT：基于变形视觉Transformer的土地覆盖创建用于土地覆盖分类

Kai Wang, Siyi Chen, Weicong Pang, Chenchen Zhang, Renjun Gao, Ziru Chen, Cheng Li, Dasa Gu, Rui Huang, Alexis Kai Hon Lau

机构 * HKUST（香港科技大学） ； SSE, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）电子工程系） ； JHU（约翰·霍普金斯大学） ； NUS（新加坡国立大学） ； MUST（慕斯大学） 纠错

AI总结 本文提出LC4-DViT框架，结合生成数据创建与变形感知视觉Transformer，提升高分辨率土地覆盖制图精度，优于基线模型和传统网络。

Comments This work has been submitted to the IEEE for possible publication.The project is available at https://github.com/weicongpang/LVC2-DViT.git

Invariant Manifolds of Discrete-time Dynamical Systems with Nonlinear Exosystems via Hybrid Physics-Informed Neural Networks

离散时间动力系统中非线性外系统不变流形的混合物理信息神经网络

Dimitrios G. Patsatzis, Nikolaos Kazantzis, Ioannis G. Kevrekidis, Lucia Russo, Constantinos Siettos

机构 * Modelling Engineering Risk & Complexity, Scuola Superiore Meridionale（工程风险与复杂性建模，南方高级学校） ； Dept. of Chemical Engineering, Worcester Polytechnic Institute（化学工程系，沃思希尔理工大学） ； Dept. of Chemical & Biomolecular Engineering, Johns Hopkins University（化学与生物分子工程系，约翰霍普金斯大学） ； Dept. of Applied Mathematics and Statistics, Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Medical School, Department of Urology, Johns Hopkins University（医学院，泌尿科，约翰霍普金斯大学） ； Institute of Science and Technology for Energy and Sustainable Mobility, Consiglio Nazionale delle Ricerche（能源与可持续交通科学技术研究所，国家研究委员会） 纠错

AI总结 本文提出混合物理信息机器学习框架，用于近似由外源自主动态驱动的离散时间动力系统的不变流形。通过结合多项式级数与浅层神经网络，该方法在低至中等维数流形中有效，结合多项式和神经网络的优势，提升精度与收敛性。

Comments 33 pages (29 pages of main text and Appendix, 4 of Supplement), 7 Figures (5 in the main text and Appendix and 2 in the Supplement)