University of Pennsylvania（宾夕法尼亚大学）

GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning

GenFAR：基于49246例多队列MRI通过深度学习得到的脑结构通用表征

Vishnu M. Bashyam, Guray Erus, Junhao Wen, Pratik Chaudhari, Randa Melhem, Sindhuja Govindarajan Tirumalai, Gareth Harman, Yong Fan, Colin L. Masters, Paul Maruff, Sterling C. Johnson, Jurgen Fripp, Duygu Tosun, John C. Morris, Daniel S. Marcus, Pamela LaMontagne, Tammie Benzinger, Susan R. Heckbert, Mark Espeland, Marilyn S. Albert, Andrew J. Saykin, Paul M. Thompson, Timothy J. Hohman, Susan M. Resnick, R. Nick Bryan, Murat Bilgel, Yang An, David A. Wolk, Li Shen, Haochang Shou, Ilya M. Nasrallah, Christos Davatzikos

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Melbourne（墨尔本大学） ； University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院） ； CSIRO Health and Biosecurity（联邦科学与工业研究组织健康与生物安全部） ； CSIRO（联邦科学与工业研究组织） ； University of California, San Francisco（加利福尼亚大学旧金山分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； University of Washington（华盛顿大学） ； Wake Forest School of Medicine（维克森林医学院） ； Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院） ； Indiana University（印第安纳大学） ； University of Southern California（南加利福尼亚大学） 纠错

AI总结 GenFAR是基于49246例多队列MRI的模块化深度学习框架，通过17类任务训练得到通用脑表征，可提升二级预测器的样本效率与准确性

CoDiR: Confidence-Guided Diffusion Refinement for Semi-Supervised Histopathology Segmentation

CoDiR：用于半监督组织病理学分割的置信度引导扩散精调

Hoai Nhan Pham, Dang-Nguyen Bui, Le-Van Thai, Thanh-Hiep Vo, Lan Anh Dinh Thi, Tien Dat Nguyen, Duy-Dong Nguyen, Ngoc Lam Quang Bui, Tam Tran, Zhi Huang

机构 * AI VIETNAM Lab（AI VIETNAM实验室） ； Portland Community College（波特兰社区学院） ； University of Science, VNU-HCM（胡志明市国家大学科学大学） ； Hanoi University of Science and Technology（河内科技大学） ； Jeonbuk National University（全北国立大学） ； Washington University School of Medicine（华盛顿大学医学院） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） 纠错

AI总结 针对半监督组织病理学分割的标注稀缺与伪标签不可靠问题，提出CoDiR框架，结合Mean Teacher与扩散模型精调伪标签，在GlaS、CRAG数据集上取得优异mDice指标，精调模块贡献显著

Comments Accepted to the MICCAI COMPAYL Workshop 2026 (11 pages, 2 figures, 6 tables)

ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation

ProBAG：用于弱监督组织病理学分割的原型引导边界感知图扩散

Duy-Dong Nguyen, Le-Van Thai, Hoai Nhan Pham, Ngoc Lam Quang Bui, Tam Tran, Zhi Huang

机构 * AI VIETNAM Lab（AI越南实验室） ； Washington University School of Medicine（华盛顿大学医学院） ； Jeonbuk National University（全北国立大学） ； Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） 纠错

AI总结 ProBAG是一种新的弱监督组织病理学分割方法，通过结合视觉与文本原型、逐类功率重新校准及图扩散机制，在BCSS-WSSS和LUAD-HistoSeg数据集上取得优于现有方法的性能。

Comments 12 pages, 2 figures, 4 tables. Accepted by MICCAI Workshop (COMPAYL) 2026

A Reality Check of Language Models as Formalizers on Constraint Satisfaction Problems

语言模型作为形式化工具在约束满足问题上的现实检验

Rikhil Amonkar, Ceyhun Efe Kayan, Qimei Lai, Ronan Le Bras, Li Zhang

机构 * Drexel University（德雷塞尔大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Allen Institute for AI（艾伦人工智能研究所） 纠错

AI总结 研究评估了语言模型作为形式化工具在约束满足问题中的表现，发现其在15种模型-数据集组合中表现劣于作为求解器，尽管形式化更具可验证性和可解释性。

Learning to Coordinate via Quantum Entanglement in Multi-Agent Reinforcement Learning

通过量子纠缠协调多智能体强化学习

John Gardiner, Orlando Romero, Brendan Tivnan, Nicolò Dal Fabbro, George J. Pappas

机构 * Nasdaq, Inc（纳斯达克公司） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出利用量子纠缠的框架，通过可微策略参数化和量子协调器架构，实现多智能体强化学习中的无通信协作策略，展现量子优势。

Un-EVIMO: Unsupervised Event-Based Independent Motion Segmentation

Un-EVIMO：基于事件的无监督独立运动分割

Ziyun Wang, Jinyuan Guo, Kostas Daniilidis

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Archimedes, Athena RC（阿基米德、阿泰纳RC） 纠错

AI总结 本研究提出首个利用几何约束生成IMO伪标签的无监督事件框架，在EVIMO数据集上评估显示其IMO分割性能与监督方法相当，可处理任意非预定物体且易扩展至无昂贵标注的数据集。

Comments European Conference on Computer Vision 2024