Massachusetts Institute of Technology（麻省理工学院）

Loud or Silent? A Reusable Framework for Per-Modality Failure Analysis in Multimodal Clinical AI

大声还是沉默？一种用于多模态临床AI中模态级失败分析的可复用框架

Quang Bui, Shlok Jaiswal, Samuel Paik-Heintz, Kevin Zhou, Kaushik Madapati, Krittaphas Chaisutyakorn, Noah Dane Hebdon, Dimitrios Proios, Sebastián Andrés Cajas Ordóñez, Kacper Dobek, Boya Zhang, Aly Dhedhi, Ahram Han, Kushul Reddy Palakala, Rahul Gorijavolu, Jacques Kpodonu, Leo Anthony Celi

机构 * Massachusetts Institute of Technology（麻省理工学院） ； American International School Vienna（维也纳美国国际学校） ； Neuqua Valley High School（纽夸谷高中） ； North Hollywood High School（北好莱坞高中） ； Hopewell Valley Central High School（霍普韦尔谷中央高中） ； University of California, Berkeley（加州大学伯克利分校） ； Siriraj Hospital（诗里拉吉医院） ； Harvard University（哈佛大学） ； Agency for Science, Technology and Research（新加坡科技研究局） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Geneva（日内瓦大学） ； Poznan University of Technology（波兹南理工大学） 纠错

AI总结 该研究提出一种模型无关的多模态临床AI模态级失败分析框架，可复用且仅用部署可观测信号，经植入真实值和MIMIC-IV队列验证，能定位失败模态、区分失败类型，为心脏基础模型部署提供参考。

CurveShift: Is Agent Progress Scalar? Separating Level from Shape

CurveShift：智能体的进展是标量吗？区分水平与形态

Hanwen Xing, Pengyun Wang, BingXu Meng, Kumail Alhamoud, Xiang Li, Jicheng Wang, Xin Yu, Xinyang Han, Xiaomin Li, Philip Torr, Yuexing Hao

机构 * University of Southern California（南加利福尼亚大学） ； University of Chicago（芝加哥大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； University of California, Davis（加利福尼亚大学戴维斯分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Harvard University（哈佛大学） ； University of Oxford（牛津大学） 纠错

AI总结 该研究针对大型语言模型进展的标量总结问题，通过LiveCodeBench基准分离混淆，发现2024年9月后发布的模型在竞赛编程难任务上有超出预期的增益，发布了相关数据集与代码。

Comments 25 pages, 4 figures, 7 tables. Data and code: https://github.com/harvenstar/CurveShift

From Pixels to PCells: A Neurosymbolic Approach to Photonic Component Creation

从像素到光子单元（PCells）：一种用于光子组件创建的神经符号方法

Aadarsh Agarwal, Kenaish Al Qubaisi, Dirk Englund

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Research Laboratory of Electronics（电子学研究实验室） ； University of Chicago（芝加哥大学） ； The College（学院） 纠错

AI总结 该研究提出神经符号系统PixCell，用多模态智能体将视觉呈现的光子组件转为参数化程序，经验证器引导修正的模型在光子组件设计任务上IoU显著提升，建立了相关设计的受控框架。

Comments 16 pages, 13 figures, 3 tables

Generative AI floods and dilutes the market for books

生成式人工智能充斥并稀释了图书市场

Tuhin Chakrabarty, Xinyue Liu, Jane C. Ginsburg, Paramveer Dhillon

机构 * Stony Brook University（纽约州立大学石溪分校） ； Columbia Law School（哥伦比亚法学院） ； University of Michigan（密歇根大学） ； MIT Initiative on the Digital Economy（麻省理工学院数字经济倡议） 纠错

AI总结 研究通过对亚马逊上自出版小说检测，发现含大量AI文本书籍占书目比重大但销售占比小，其达商业规模且重塑市场，单本销售收入下降，还影响不同类型书籍及畅销书语言借鉴情况，结果关乎版权侵权合理使用抗辩的市场效应问题。

Comments Working Paper Under Review

NORi: An ML-Augmented Ocean Boundary Layer Parameterization

NORi：一种融合机器学习的海洋边界层参数化方法

Xin Kai Lee, Ali Ramadhan, Andre Souza, Gregory LeClaire Wagner, Simone Silvestri, John Marshall, Raffaele Ferrari

机构 * Department of Earth, Atmospheric and Planetary Sciences, Massachusetts Institute of Technology（麻省理工学院地球、大气与行星科学系） ； Center for Computational Science and Engineering, Massachusetts Institute of Technology（麻省理工学院计算科学与工程中心） ； Department of Physics, Imperial College London（伦敦帝国学院物理系） ； atdepth ； Aeolus Labs（Aeolus实验室） ； Department of Environment, Land and Infrastructure Engineering, Politecnico di Torino（托里诺理工学院环境、土地与基础设施工程系） 纠错

AI总结 NORi是一种基于物理并结合神经网络的机器学习海洋边界层湍流参数化方法，通过训练大规模涡旋模拟来捕捉边界层底部的混合过程，展示了在不同对流强度、背景层结、旋转和风力作用下的预测和泛化能力。

Comments 59 pages, 20 figures, submitted to Journal of Advances in Modeling Earth Systems (JAMES). This is version 3, updated based on reviews from 3 anonymous reviewers after initial submission to JAMES

Unifying biomedical knowledge in a modern multimodal graph

OptimusKG：统一生物医学知识的现代多模态图

Lucas Vittor, Ayush Noori, Iñaki Arango, Joaquín Polonuer, Sam Rodriques, Andrew White, David A. Clifton, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Edison Scientific Inc.（Edison科学公司） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏格兰研究中心） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究所） ； Harvard Data Science Initiative（哈佛大学数据科学计划） 纠错

AI总结 OptimusKG通过整合结构化和半结构化资源，构建了多模态生物医学标记属性图，统一了分子、解剖、临床和环境领域的知识，验证了其在生物医学领域的有效性。

Descending into the Modular Bootstrap

模形式Bootstrap的深入探索

Nathan Benjamin, A. Liam Fitzpatrick, Wei Li, Jesse Thaler

机构 * University of Southern California（南加州大学） ； Boston University（波士顿大学） ； Massachusetts Institute of Technology（麻省理工学院） ； The NSF Institute for Artificial Intelligence and Fundamental Interactions（美国国家科学基金会人工智能与基本相互作用研究所） 纠错

AI总结 本文通过机器学习优化高效搜索二维共形场论的模形式Bootstrap解，发现中央荷在1到8/7之间的候选CFT，并提出更严格的谱间隙约束。

Comments 57 pages, 21 figures, 4 tables; v2: updated references, acknowledgments, and formatting; v3: additional discussions, bug fixed in Figure 1a, conclusions unchanged, approximate version to appear in JHEP; code available at http://github.com/jdthaler/modular-bootstrap

INQUIRE-Search: Interactive Discovery in Large-Scale Biodiversity Databases

INQUIRE-Search：在大规模生物多样性数据库中进行交互式发现

Edward Vendrow, Julia Chae, Rupa Kurinchi-Vendhan, Isaac Eckert, Jazlynn Hall, Marta Jarzyna, Reymond Miyajima, Ruth Oliver, Laura Pollock, Lauren Shrack, Scott Yanco, Oisin Mac Aodha, Sara Beery

机构 * Massachusetts Institute of Technology（麻省理工学院） ； McGill University（麦吉尔大学） ； Cary Institute of Ecosystem Studies（生态系统研究所） ； The Ohio State University（俄亥俄州立大学） ； University of California Santa Barbara（加州大学圣塔芭芭拉分校） ； Smithsonian’s National Zoo & Conservation Biology Institute（史密森尼国家动物园与保护生物学研究所） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 INQUIRE-Search通过自然语言搜索功能，高效提取生物多样性数据库中的关键信息，提升生态研究的交互性和可扩展性。

Comments EV, JC, RKV contributed equally

Uncertainty Quantification for Visual Object Pose Estimation: S-Lemma Ellipsoidal Bounds

视觉目标姿态估计的不确定性量化

Lorenzo Shaikewitz, Charis Georgiou, Luca Carlone

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

AI总结 SLUE通过凸优化方法为视觉目标姿态估计提供高概率的椭球不确定性界，有效缩小平移界限并保持方向精度。

Comments 18 pages, 9 figures. Code available: https://github.com/MIT-SPARK/PoseUncertaintySets. Published in IEEE Transactions on Robotics

Partial Excitation in Parameter Learning

参数学习中的部分激励

Ganghui Cao, Shimin Wang, Martin Guay, Jinzhi Wang, Zhisheng Duan, Marios M. Polycarpou

机构 * State Key Laboratory for Turbulence and Complex Systems, Department of Mechanics and Engineering Science, College of Engineering, Peking University（湍流与复杂系统国家重点实验室，力学与工程科学系，工程学院，北京大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Queen’s University（皇后大学） ； KIOS Research and Innovation Center of Excellence and the Department of Electrical and Computer Engineering, University of Cyprus（科斯卓越研究中心与创新中心，塞浦路斯大学电气与计算机工程系） 纠错

AI总结 本文针对部分持续激励（PPE）条件下的参数学习问题，提出在线算法与协同学习协议，实现分布式最优参数估计，通过系统辨识实例验证了理论结果的有效性。

Comments 16 pages,9 figures