Johns Hopkins University（约翰斯·霍普金斯大学）

Parameter-Free and Group Conditional Online Conformal Prediction

无参数和组条件在线共形预测

Beepul Bharti, Ambar Pal, Jacopo Teneggi, Jeremias Sulam

机构 * Data Science and AI Institute (DSAI), Johns Hopkins University（数据科学与人工智能研究院（DSAI），约翰霍普金斯大学） ； Mathematical Institute for Data Science (MINDS), Johns Hopkins University（数据科学数学研究院（MINDS），约翰霍普金斯大学） ； Department of Biomedical Engineering, Johns Hopkins University（生物医学工程系，约翰霍普金斯大学） ； Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学） ； Amazon Responsible AI（亚马逊负责任人工智能） 纠错

AI总结 提出一种无参数算法用于组条件在线共形预测，在保证组条件覆盖的同时无需调参，并在合成和真实数据上验证了其有效性和可靠性。

AtomBench: A Benchmarking Framework for Generative Crystal Reconstruction Models in Conventional Superconductors

AtomBench：传统超导体中生成晶体重建模型的基准测试框架

Charles Rhys Campbell, Aldo H. Romero, Kamal Choudhary

机构 * Department of Physics and Astronomy, West Virginia University（物理与天文学系，西弗吉尼亚大学） ； Department of Materials Science and Engineering, Whiting School of Engineering, The Johns Hopkins University（材料科学与工程系，韦廷工程学院，约翰霍普金斯大学） 纠错

AI总结 研究针对生成晶体重建模型，提出可扩展、模型无关的AtomBench框架，在传统超导体晶体重建任务中比较四个模型，用多种指标衡量重建保真度，得出各模型表现及相关结论，还开源该框架供社区使用。

MLLM-LLaVA-FL: Multimodal Large Language Model Assisted Federated Learning

MLLM-LLaVA-FL：多模态大语言模型辅助联邦学习

Jianyi Zhang, Hao Frank Yang, Ang Li, Xin Guo, Pu Wang, Haiming Wang, Yiran Chen, Hai Li

机构 * Duke University（杜克大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland College Park（马里兰大学学院市分校） ； Lenovo Research（联想研究院） 纠错

AI总结 针对联邦学习中数据异质性问题，提出MLLM-LLaVA-FL框架，利用多模态大语言模型，通过全球视觉文本预训练、客户端本地训练和服务器端全局对齐三个阶段，提升联邦学习性能。

Comments Accepted to WACV 2025

Journal ref IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2025)