Massachusetts Institute of Technology（麻省理工学院）

Improving Performance in Classification Tasks with LCEN and the Weighted Focal Differentiable MCC Loss

通过LCEN和加权焦点可微MCC损失提升分类任务性能

Pedro Seber, Richard D. Braatz

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文改进了LCEN算法以适应分类任务，通过加权焦点可微MCC损失函数提升模型性能，实验显示其在F1和MCC指标上优于多数模型，且特征选择效果显著。

Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems

在杂乱中导航：基于路标的目标级规划用于多机器人系统

Jiabao Ji, Yongchao Chen, Yang Zhang, Ramana Rao Kompella, Chuchu Fan, Gaowen Liu, Shiyu Chang

机构 * UC Santa Barbara（加州大学圣芭芭拉分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Cisco Research（思科研究） 纠错

AI总结 本文提出了一种混合多机器人控制框架，通过引入路标和课程训练策略，解决多机器人任务和运动规划的联合优化问题，提升了任务成功率。

Preconditioned DeltaNet: Curvature-aware Sequence Modeling for Linear Recurrences

预条件DeltaNet：用于线性递归的曲率感知序列建模

Neehal Tumma, Noel Loo, Daniela Rus

机构 * MIT（麻省理工学院） 纠错

AI总结 本文提出预条件DeltaNet，通过引入预条件技术改进线性递归模型，提升序列建模性能，在合成回忆基准和大规模语言模型中表现优异。

Surrogate modeling for interpreting black-box LLMs in medical predictions

对医疗预测中黑箱大语言模型的代理建模解释

Changho Han, Songsoo Kim, Dong Won Kim, Leo Anthony Celi, Jaewoong Kim, SungA Bae, Dukyong Yoon

机构 * Medical Big Data Research Center, Seoul National University Medical Research Center, Seoul National University College of Medicine（首尔国立大学医学院医学大数据研究中心，首尔国立大学医学院） ； Department of Biomedical Systems Informatics, Yonsei University College of Medicine（延世大学医学院生物医学系统信息学系） ； Laboratory for Computational Physiology, Massachusetts Institute of Technology（麻省理工学院计算生理学实验室） ； Division of Pulmonary, Critical Care and Sleep Medicine, Beth Israel Deaconess Medical Center（贝斯以色列德aconess医疗中心呼吸科、重症医学科和睡眠医学科） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院生物统计学系） ； Department of Cardiology, Yongin Severance Hospital, Yonsei University College of Medicine（延世大学医学院永宁松甫医院心内科） ； Center for Digital Health, Yongin Severance Hospital, Yonsei University Health System（延世大学健康系统永宁松甫医院数字健康中心） ； Institute for Innovation in Digital Healthcare, Severance Hospital, Seoul, Republic of Korea（首尔松甫医院数字医疗创新研究所） 纠错

AI总结 本文提出一种代理建模框架，通过输入输出对近似复杂系统，揭示LLM编码知识的范围，揭示医疗预测中潜在的不准确和偏见。

ZipFold: Modular Actuators for Scaleable Adaptive Robots

ZipFold：可扩展自适应机器人的模块化执行器

Niklas Hagemann, Daniela Rus

机构 * Computer Science and Artificial Intelligence Laboratory, MIT（计算机科学与人工智能实验室，麻省理工学院） 纠错

AI总结 本文提出一种紧凑易制造的可展开执行器，通过柔性3D打印塑料条的折叠与缝合实现可逆的尺寸和刚度变换，用于构建可扩展的自适应机器人。

OpenEstimate: Evaluating LLMs on Reasoning Under Uncertainty with Real-World Data

OpenEstimate：评估语言模型在不确定性下的推理能力实现实验

Alana Renda, Jillian Ross, Michael Cafarella, Jacob Andreas

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 本文提出OpenEstimate基准测试，用于评估语言模型在不确定环境下进行数值估计的能力，发现模型的先验概率常不准确且过度自信，但通过改进不确定性引导方式可提升性能。