Stanford University（斯坦福大学）

TLDChoiceNet: Quantitatively Choosing a Transfer Learning Dataset

TLDChoiceNet：定量选择迁移学习数据集

Jing Ning, James D. Braza

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文设计TLDChoiceNet模型，通过预测微调后测试集准确率选择最优迁移学习数据集，提出分布距离与平均类别相关性指标，相关指标可有效预测迁移学习效果。

Protecting patient privacy in clinical foundation models: Technical and legal perspectives

临床基础模型中的患者隐私保护：技术与法律视角

Sana Tonekaboni, Lena Stempfle, Sasha Ronaghi, Corinna Coupette, I. Glenn Cohen, Emily Alsentzer, Marzyeh Ghassemi

机构 * Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）） ； The Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所） ； Borealis AI ； Stanford University（斯坦福大学） ； Aalto University（阿尔托大学） ； Max Planck Institute for Tax Law and Public Finance（马克斯·普朗克税法与公共财政研究所） ； Stanford Law School（斯坦福法学院） ； Harvard Law School（哈佛法学院） ； Petrie-Flom Center for Health Law Policy, Biotechnology & Bioethics（皮里-弗洛姆健康法律政策、生物技术与生物伦理中心） 纠错

AI总结 针对临床基础模型的隐私风险，提出实用评估框架，结合技术与法律措施缓解泄露，在保留模型价值的同时保护患者隐私。

Comments 14 pages, 2 Figures, 2 Tables

Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning

学习物理交互：触觉与力感知机器人学习综述

Shilin Shan, Chuhao Zhou, Ruize Wang, Xinyan Chen, Xiangyu Chen, Xinyu Zhou, Boyu Ma, Iris Yuxuan Hu, Jingliang Li, Celeste Yuxuan Hu, Geng Li, Guohao Chen, Tianrui Zhu, Zhe Li, Yanjie Ze, Haoran Geng, Zhiyang Dou, Jianxin Bi, Yuejiang Liu, Jianshu Zhou, Jiachen Li, Paul Liang, Tatsuya Harada, Robert Katzschmann, Harold Soh, Na Li, Edward Johns, Danica Kragic, Jan Peters, Wojciech Matusik, Masayoshi Tomizuka, Jitendra Malik, Jianfei Yang

机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； 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） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学） 纠错

AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。

Comments 53 pages, 7 figures