University of California, Berkeley（加州大学伯克利分校）

Trustworthy Protein-Ligand Binding Affinity Prediction via Reliability-Aware Multi-Engine Fusion

通过可靠性感知多引擎融合实现可靠的蛋白质-配体结合亲和力预测

Yongchan Hong, Defu Cao, Wenjin Liu, Thomas Ku, Jordy Homing Lam, Emily Nguyen, Willie Neiswanger, Vsevolod Katritch, Yan Liu

机构 * University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 研究针对蛋白质-配体结合亲和力预测中引擎结果不一致问题，提出RELIABLE-BA框架，通过三步实现多引擎预测，经实验验证其能提升预测竞争力和不确定性校准，可筛选高置信对减少误差，是首个结合证据融合与上下文可靠性的预测框架。

MIS-HCC: Hierarchical Channel Clustering for Efficient Medical Image Segmentation

MIS-HCC：用于高效医学图像分割的分层通道聚类

Bo Zhao, Haoran Yu, Lifei Liu, Zongcheng Chu, Yining Liu, Chang Liu, Szu-Yu Chen, Zequn Xie

机构 * Yale University（耶鲁大学） ； University of Florida（佛罗里达大学） ； Wichita State University（威奇托州立大学） ； Purdue University（普渡大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Zhejiang University（浙江大学） 纠错

AI总结 针对医学图像分割模型在资源受限平台部署的挑战，提出分层聚类压缩方法MIS-HCC，利用瓦瑟斯坦距离表示通道相似性形成矩阵指导聚类，融合通道生成压缩网络，实验证明其在精度和压缩效率上优于现有方法。

Explaining and Tuning Transformer-based LLMs in Arithmetic Tasks with Human Strategies

用人类策略解释和调整基于Transformer的语言模型在算术任务中的表现

Luyu Qiu, Jianing Li, Hwanhee Kim, Xiaoyong Wei, Yueyuan Zheng, Janet Hsiao, Lei Chen

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 研究基于Transformer的语言模型在算术任务中的表现，通过分解任务、分析损失收敛等，应用人类策略和方法提升其性能，并经多种验证展示有效性，探索其与人类学习者相似性以增强关键应用中的信任。

DROID-ANCHOR: Odometry-Anchored Recurrent Metric Depth Estimation

DROID-ANCHOR：基于里程计锚定的循环度量深度估计

Yuxuan Chen, Brook Du

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 研究针对单目系统尺度问题，提出Metric-DROID架构，通过集成里程计，利用LSTM更新算子、不确定性感知度量后端及选择性残差微调策略，实现视觉SLAM与物理现实锚定，有效解决尺度模糊等问题。

Mitigating Compiler Fusion-Induced Power Bursts in Mobile NPU Inference as the Battery Depletes

在移动NPU推理中减轻随着电池电量耗尽由编译器融合引起的功率突发

Ryoga Yuzawa, Masayoshi Tomizuka

机构 * UC Berkeley（加州大学伯克利分校） ； Sony（索尼公司） 纠错

AI总结 研究移动设备低电压下NPU推理因编译器融合致功率突发问题，提出测量引导的预编译图重写方法，可减少峰值电流、降低延迟开销、保持稳定延迟并偏移DVFS裕度。

Comments 16 pages, 6 figures

BACON: Budgeted Human Calibration for Modeling and Evaluation with Multiple AI Judges

BACON：用于多人工智能评判器建模与评估的预算人类校准

Lei Shi, Anlan Zhang, Rita Lyu, Zhengmian Hu, Tong Yu, David Arbour, Avi Feller, Saayan Mitra, Ritwik Sinha

机构 * Adobe Research（Adobe研究院） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 研究针对人工智能评判器输出有偏差等问题，提出BACON四阶段流程，结合预算人类校准与多人工智能评判器输出。通过构建辅助特征、收集人类标签训练模型，实现总体指标估计和个体级替代评分，提高了预测准确性等，提供实用评估框架。