University of Washington（华盛顿大学）

Reference-Free 3D Reconstruction of Brain Dissection Slabs via Learned Atlas Coordinates

无需参考的脑解剖切片3D重建 via 学习的图谱坐标

Lin Tian, Jonathan Williams-Ramirez, Dina Zemlyanker, Lucas J. Deden-Binder, Rogeny Herisse, Theresa R. Connors, Mark Montine, Istvan N Huszar, Lilla Zöllei, Sean I. Young, Christine Mac Donald, C. Dirk Keene, Derek H. Oakley, Bradley T. Hyman, Oula Puonti, Matthew S. Rosen, Juan Eugenio Iglesias

机构 * Martinos Center for Biomedical Imaging (Martinos Center) at Massachusetts General Hospital (MGH) & Harvard Medical School (HMS)（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的生物医学成像中心（Martinos Center）） ； Computer Science and Artificial Intelligence Laboratory (CSAIL) at the Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）的计算机科学与人工智能实验室（CSAIL）） ； Danish Research Centre for Magnetic Resonance, Centre for Functional and Diagnostic Imaging and Research, Copenhagen University Hospital-Amager and Hvidovre, Copenhagen, Denmark（丹麦磁共振研究中心、功能与诊断成像及研究中心，哥本哈根大学医院-阿迈厄斯和赫维多尔，哥本哈根，丹麦） ； Massachusetts Alzheimer’s Disease Research Center at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的阿尔茨海默病研究中心） ； University of Washington（华盛顿大学） ； Pathology Department at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的病理部门） ； Neurology Department at MGH & HMS（马萨诸塞州总医院（MGH）及哈佛医学院（HMS）的神经病学部门） ； Department of（部门） 纠错

AI总结 RefFree通过学习图谱坐标实现无需参考的脑切片3D重建，适用于单个切片或部分堆栈，提升重建速度和准确性。

Structure From Tracking: Distilling Structure-Preserving Motion for Video Generation

从跟踪中获取结构：从自回归视频跟踪模型中蒸馏保持结构的运动用于视频生成

Yang Fei, George Stoica, Jingyuan Liu, Qifeng Chen, Ranjay Krishna, Xiaojuan Wang, Benlin Liu

机构 * HKUST（香港科技大学） ； University of Washington（华盛顿大学） ； Georgia Tech（佐治亚理工学院） ； Adobe（Adobe公司） 纠错

AI总结 通过蒸馏自回归视频跟踪模型中的结构保持运动先验，SAM2VideoX在视频生成任务中实现了更高的保真度和一致性。

Comments Project Website: https://sam2videox.github.io/

Prior-Enhanced Gaussian Splatting for Dynamic Scene Reconstruction from Casual Video

先验增强的高斯点云法用于从随意视频中动态场景重建

Meng-Li Shih, Ying-Huan Chen, Yu-Lun Liu, Brian Curless

机构 * University of Washington（华盛顿大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） 纠错

AI总结 本文提出一种基于先验增强的动态场景重建方法，通过改进高斯点云法和引入虚拟视图深度损失，提升单目视频重建的精度和渲染质量。

The Emergence of Complex Behavior in Large-Scale Ecological Environments

大规模生态环境中复杂行为的出现

Joseph Bejjani, Chase Van Amburg, Chengrui Wang, Chloe Huangyuan Su, Sarah M. Pratt, Yasin Mazloumi, Naeem Khoshnevis, Sham M. Kakade, Kianté Brantley, Aaron Walsman

机构 * Harvard University（哈佛大学） ； Fudan University（复旦大学） ； University of Washington（华盛顿大学） 纠错

AI总结 研究通过大规模生态模拟探索复杂行为的涌现机制，利用进化算法和大规模智能体系统揭示环境规模对行为稳定性的影响。

Comments 33 pages, 23 figures, 12 tables, experiment code available at https://github.com/jbejjani2022/ecological-emergent-behavior

KathDB: Explainable Multimodal Database Management System with Human-AI Collaboration

KathDB：具有人机协作的可解释多模数据库管理系统

Guorui Xiao, Enhao Zhang, Nicole Sullivan, Will Hansen, Magdalena Balazinska

机构 * University of Washington（华盛顿大学） 纠错

AI总结 KathDB是一种结合关系语义和基础模型推理能力的多模数据库管理系统，通过人机协作实现查询解析、执行和结果解释的可解释性。

Offscript: Automated Auditing of Instruction Adherence in LLMs

Offscript: LLMs指令遵循自动审计

Nicholas Clark, Ryan Bai, Tanu Mitra

机构 * University of Washington Information School Seattle Washington USA ； University of Washington\ G. Allen School of Computer Science \& Engineering Seattle Washington USA ； University of Washington Information School ； University of Washington\ G. Allen School of Computer Science \& Engineering 纠错

AI总结 Offscript通过自动化审计检测LLM指令遵循问题，揭示86.4%的对话中存在潜在违规行为，其中22.2%经人工确认为实质性违规。

T-SHRED: Symbolic Regression for Regularization and Model Discovery with Transformer Shallow Recurrent Decoders

T-SHRED：基于Transformer浅层递归解码器的符号回归用于正则化和模型发现

Alexey Yermakov, David Zoro, Mars Liyao Gao, J. Nathan Kutz

机构 * Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； Applied Mathematics, University of Washington（华盛顿大学应用数学系） ； Computer Science & Engineering, University of Washington（华盛顿大学计算机科学与工程系） 纠错

AI总结 T-SHRED通过结合Transformer和符号回归，提升模型正则化和可解释性，适用于不同尺度的混沌系统预测。

Comments 17 pages, 5 figures, submitted to Transactions of the Royal Society (Symbolic Regression in the Physical Sciences)

When Worse is Better: Navigating the compression-generation tradeoff in visual tokenization

当更差的是更好的：在视觉分块化中的压缩-生成权衡导航

Vivek Ramanujan, Kushal Tirumala, Armen Aghajanyan, Luke Zettlemoyer, Ali Farhadi

机构 * University of Washington（华盛顿大学） ； Meta FAIR 纠错

AI总结 本文提出CRT方法，通过正则化潜在空间提升生成性能，实现更高效的图像生成模型。

Comments Spotlight at NeurIPS 2025

A Model-Guided Neural Network Method for the Inverse Scattering Problem

一种指导模型的神经网络方法用于反散射问题

Olivia Tsang, Owen Melia, Vasileios Charisopoulos, Jeremy Hoskins, Yuehaw Khoo, Rebecca Willett

机构 * Department of Computer Science, University of Chicago（计算机科学系，芝加哥大学） ； Center for Computational Mathematics, Flatiron Institute（计算数学中心，Flatiron研究所） ； National Institute for Theory and Mathematics in Biology（生物理论与数学国家研究所） ； Department of Electrical & Computer Engineering, University of Washington（电气与计算机工程系，华盛顿大学） ； Computational and Applied Mathematics, Department of Statistics, University of Chicago（计算与应用数学，统计系，芝加哥大学） ； Data Science Institute, University of Chicago（数据科学研究所，芝加哥大学） 纠错

AI总结 本文提出了一种指导模型的神经网络方法，通过可微求解器显式整合物理规律，以提高反散射问题的重建质量与效率。

Comments 28 pages

Hierarchical Instance Tracking to Balance Privacy Preservation with Accessible Information

层级实例跟踪以平衡隐私保护与可获取信息

Neelima Prasad, Jarek Reynolds, Neel Karsanbhai, Tanusree Sharma, Lotus Zhang, Abigale Stangl, Yang Wang, Leah Findlater, Danna Gurari

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Washington（华盛顿大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出层级实例跟踪任务，构建首个支持该任务的基准数据集，通过评估多种模型展示数据集的挑战性，旨在平衡隐私保护与信息可获取性。

Comments Accepted at WACV 2026

Magneton: Optimizing Energy Efficiency of ML Systems via Differential Energy Debugging

Magneton: 通过微分能量调试优化机器学习系统的能效

Yi Pan, Wenbo Qian, Dedong Xie, Ruiyan Hu, Yigong Hu, Baris Kasikci

机构 * University of Washington（华盛顿大学） ； Boston University（波士顿大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 Magneton 通过微分能量调试技术，识别并诊断 ML 系统中的能耗低效问题，发现多个已知和未知的能耗浪费案例。

Comments 12 pages, 10 fi

Incremental Generalized Hybrid A*

增量通用混合A*

Sidharth Talia, Oren Salzman, Siddhartha Srinivasa

机构 * University of Washington（华盛顿大学） ； Technion-Israel Institute of Technology（技术ion-以色列理工学院） 纠错

AI总结 Incremental Generalized Hybrid A*通过动态组织顶点扩展，提高了复杂动态下的实时规划效率。

Comments 8 pages, 7 figures, Accepted to IEEE RA-L, Nov 2025

Large Language Models and Their Applications in Roadway Safety and Mobility Enhancement: A Comprehensive Review

大语言模型及其在道路安全与出行提升中的应用：全面综述

Muhammad Monjurul Karim, Yan Shi, Shucheng Zhang, Bingzhang Wang, Mehrdad Nasri, Yinhai Wang

机构 * Department of Civil and Environmental Engineering, University of Washington（土木与环境工程系，华盛顿大学） 纠错

AI总结 本文综述了大语言模型在道路安全与出行提升中的应用，探讨其在交通领域的适应策略及面临的挑战。

Journal ref Artificial Intelligence for Transportation, 1, 100004, 2025

OMNIGUARD: An Efficient Approach for AI Safety Moderation Across Languages and Modalities

OMNIGUARD：一种跨语言和模态的高效AI安全审查方法

Sahil Verma, Keegan Hines, Jeff Bilmes, Charlotte Siska, Luke Zettlemoyer, Hila Gonen, Chandan Singh

机构 * University of Washington（华盛顿大学） ； Microsoft（微软公司） 纠错

AI总结 Omniguard提出了一种跨语言和模态的高效方法，通过构建语言或模态无关的分类器提升有害提示检测的准确率，并在多语言、图像和音频提示任务中取得显著效果。

Towards Characterizing Knowledge Distillation of PPG Heart Rate Estimation Models

面向PPG心率估计模型知识蒸馏的特性分析

Kanav Arora, Girish Narayanswamy, Shwetak Patel, Richard Li

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文研究了PPG心率估计模型的知识蒸馏特性，评估了四种蒸馏策略，揭示了模型大小与性能的缩放规律，为边缘设备部署提供了理论支持。

Comments 5 pages, 3 figures, 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Learning from Time Series for Health

Clinical Interpretability of Deep Learning Segmentation Through Shapley-Derived Agreement and Uncertainty Metrics

通过Shapley衍生的共识和不确定性度量实现深度学习分割的临床可解释性

Tianyi Ren, Daniel Low, Pittra Jaengprajak, Juampablo Heras Rivera, Jacob Ruzevick, Mehmet Kurt

机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； University of Washington School of Medicine（华盛顿大学医学院） ； Department of Neurological Surgery, University of Washington（华盛顿大学神经外科系） 纠错

AI总结 本研究通过Shapley值提出共识和不确定性度量，用于评估深度学习分割模型的临床可解释性，以提高模型在医学影像中的可靠性与可接受性。

Ideal Attribution and Faithful Watermarks for Language Models

语言模型中的理想归因与忠实水印

Min Jae Song, Kameron Shahabi

机构 * Data Science Institute, University of Chicago（芝加哥大学数据科学研究院） ； Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·阿伦计算机科学与工程学院） 纠错

AI总结 本文提出了一种理想归因机制和水印方案框架，通过统一的语言和明确的保证，提升水印方案的理论基础和实际应用价值。

Comments 30 pages

PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory

PersonaMem-v2：通过学习隐式用户人设和代理记忆实现个性化智能

Bowen Jiang, Yuan Yuan, Maohao Shen, Zhuoqun Hao, Zhangchen Xu, Zichen Chen, Ziyi Liu, Anvesh Rao Vijjini, Jiashu He, Hanchao Yu, Radha Poovendran, Gregory Wornell, Lyle Ungar, Dan Roth, Sihao Chen, Camillo Jose Taylor

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of California Santa Barbara（加州大学圣巴巴拉分校） ； Meta ； University of Southern California（南加州大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Corporation（微软公司） 纠错

AI总结 PersonaMem-v2通过学习隐式用户人设和代理记忆提升LLM个性化能力，实验显示强化微调使模型在隐式个性化任务中准确率达53%。

Comments Data is available at https://huggingface.co/datasets/bowen-upenn/PersonaMem-v2

FacePhys: State of the Heart Learning

FacePhys: 心脏状态学习的现状

Kegang Wang, Jiankai Tang, Yuntao Wang, Xin Liu, Yuxuan Fan, Jiatong Ji, Yuanchun Shi, Daniel McDuff

机构 * Tsinghua University（清华大学） ； University of Washington（华盛顿大学） 纠错

AI总结 FacePhys通过时-空状态空间对偶性实现高效的rPPG算法，显著降低错误率，支持低延迟实时推断。

Quantization Blindspots: How Model Compression Breaks Backdoor Defenses

量化盲区：模型压缩如何破坏后门防御

Rohan Pandey, Eric Ye

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本研究发现量化过程显著降低后门防御的检测率，揭示了现有防御在实际部署中面临的关键挑战。

Comments 10 pages

SSP-GNN: Learning to Track via Bilevel Optimization

SSP-GNN：通过双层优化学习跟踪

Griffin Golias, Masa Nakura-Fan, Vitaly Ablavsky

机构 * Applied Physics Laboratory（应用物理实验室） ； University of Washington（华盛顿大学） ； Paul G. Allen School of Computer Science（保罗·G·艾伦计算机科学学院） 纠错

AI总结 SSP-GNN通过双层优化学习跟踪，利用图神经网络和 successive shortest paths 算法实现多目标跟踪。

Automated Identification of Incidentalomas Requiring Follow-Up: A Multi-Anatomy Evaluation of LLM-Based and Supervised Approaches

自动识别需要随访的偶发瘤：基于LLM和监督方法的多解剖评估

Namu Park, Farzad Ahmed, Zhaoyi Sun, Kevin Lybarger, Ethan Breinhorst, Julie Hu, Ozlem Uzuner, Martin Gunn, Meliha Yetisgen

机构 * Department of Biomedical Informatics and Medical Education, University of Washington, Seattle, WA, USA（生物医学信息学与医学教育系，华盛顿大学，西雅图，华盛顿州，美国） ； Department of Information Sciences and Technology, George Mason University, Fairfax, VA, USA（信息科学与技术系，乔治·马歇尔大学，弗吉尼亚州，美国） ； Department of Radiology, Te Whatu Ora Health New Zealand, Te Toka Tumai Auckland, Auckland, New Zealand（放射学系，新西兰Te Whatu Ora健康机构，奥克兰，新西兰） ； Department of Radiology, School of Medicine, University of Washington, Seattle, WA, USA（放射学系，医学院，华盛顿大学，西雅图，华盛顿州，美国） 纠错

AI总结 本文提出了一种基于LLM和监督方法的多解剖评估，通过结构化病变标记和解剖学上下文提升偶发瘤检测性能，达到与人类专家相当的水平。

Do We Really Even Need Data? A Modern Look at Drawing Inference with Predicted Data

我们真的需要数据吗？对用预测数据进行推断的现代审视

Stephen Salerno, Kentaro Hoffman, Awan Afiaz, Anna Neufeld, Tyler H. McCormick, Jeffrey T. Leek

机构 * Public Health Sciences Division Fred Hutchinson Cancer Center（公共健康科学部弗雷德 Hutchinson 癌症中心） ； Department of Statistics University of Washington（统计学系华盛顿大学） ； Department of Biostatistics University of Washington（生物统计学系华盛顿大学） ； Department of Statistics Department of Sociology University of Washington（统计学系社会学系华盛顿大学） 纠错

AI总结 本文探讨了使用预测数据进行推断的统计挑战，指出高预测准确性不保证有效推断，并讨论了偏差和方差对推断结果的影响。

Comments 32 pages, 9 figures, 3 tables

Self-Improving VLM Judges Without Human Annotations

无需人工标注的自改进VLM评判模型

Inna Wanyin Lin, Yushi Hu, Shuyue Stella Li, Scott Geng, Pang Wei Koh, Luke Zettlemoyer, Tim Althoff, Marjan Ghazvininejad

机构 * FAIR at Meta（Meta 的 FAIR） ； University of Washington（华盛顿大学） 纠错

AI总结 无需人工标注，通过自训练提升VLM评判模型的准确性和多维度表现

SAT: Dynamic Spatial Aptitude Training for Multimodal Language Models

SAT：多模态语言模型的动态空间能力训练

Arijit Ray, Jiafei Duan, Ellis Brown, Reuben Tan, Dina Bashkirova, Rose Hendrix, Kiana Ehsani, Aniruddha Kembhavi, Bryan A. Plummer, Ranjay Krishna, Kuo-Hao Zeng, Kate Saenko

机构 * Boston University（波士顿大学） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） ； Microsoft Research（微软研究院） ； New York University（纽约大学） 纠错

AI总结 SAT通过模拟数据提升多模态语言模型在动态空间推理中的能力，实验表明其在多个基准测试中优于现有方法。

Comments Accepted to COLM 2025. Project webpage: https://arijitray.com/SAT/

AI summaries in online search influence users' attitudes

AI搜索摘要影响用户态度

Yiwei Xu, Saloni Dash, Sungha Kang, Wang Liao, Emma S. Spiro

机构 * University of Washington, Information School（华盛顿大学信息学院） ； University of Maryland, College of Information（马里兰大学信息学院） ； University of Washington, Department of Communication（华盛顿大学传播系） 纠错

AI总结 AI生成的搜索摘要通过影响用户态度、行为意图和政策支持，显著改变了公众观点，凸显了AI信息生态系统的设计与监管的重要性。

UW-BioNLP at ChemoTimelines 2025: Thinking, Fine-Tuning, and Dictionary-Enhanced LLM Systems for Chemotherapy Timeline Extraction

UW-BioNLP在ChemoTimelines 2025中的表现：基于思考、微调和词典增强的LLM系统用于化疗时间线提取

Tianmai M. Zhang, Zhaoyi Sun, Sihang Zeng, Chenxi Li, Neil F. Abernethy, Barbara D. Lam, Fei Xia, Meliha Yetisgen

机构 * University of Washington（华盛顿大学） 纠错

AI总结 UW-BioNLP通过思考、微调和词典增强LLM方法，在ChemoTimelines 2025中实现了最佳性能，提升了化疗时间线提取的准确性。

Comments To be published in Proceedings of the 7th Clinical Natural Language Processing Workshop

Locality-Sensitive Hashing-Based Efficient Point Transformer for Charged Particle Reconstruction

基于局部敏感哈希的高效点变换器用于带电粒子重建

Shitij Govil, Jack P. Rodgers, Yuan-Tang Chou, Siqi Miao, Amit Saha, Advaith Anand, Kilian Lieret, Gage DeZoort, Mia Liu, Javier Duarte, Pan Li, Shih-Chieh Hsu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Purdue University（普渡大学） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 HEPTv2通过轻量级解码器消除聚类步骤，实现高效端到端推理，提升带电粒子轨迹重建的性能和效率。

Comments Accepted to NeurIPS 2025 Machine Learning and the Physical Sciences Workshop

Solving Inverse Problems with Deep Linear Neural Networks: Global Convergence Guarantees for Gradient Descent with Weight Decay

用深度线性神经网络解决逆问题：梯度下降与权重衰减的全局收敛保证

Hannah Laus, Suzanna Parkinson, Vasileios Charisopoulos, Felix Krahmer, Rebecca Willett

机构 * Department of Mathematics, Technical University of Munich, Munich Center for Machine Learning (MCML), Munich, Germany（数学系，慕尼黑技术大学，慕尼黑机器学习中心（MCML），慕尼黑，德国） ； Committee on Computational and Applied Mathematics, University of Chicago, Chicago, IL（计算与应用数学委员会，芝加哥大学，芝加哥，伊利诺伊） ； Department of Electrical & Computer Engineering, University of Washington, Seattle, WA（电气与计算机工程系，华盛顿大学，西雅图，华盛顿） ； Departments of Statistics and Computer Science, University of Chicago, Chicago, IL（统计学与计算机科学系，芝加哥大学，芝加哥，伊利诺伊） 纠错

AI总结 本文研究了深度线性神经网络在逆问题中的应用，证明了梯度下降与权重衰减能够实现全局收敛并自动适应数据中的潜在子空间结构。

Physics-Embedded Gaussian Process for Traffic State Estimation

融合物理的高斯过程用于交通状态估计

Yanlin Chen, Kehua Chen, Yinhai Wang

机构 * Department of Civil and Environmental Engineering, University of Washington（土木与环境工程系，华盛顿大学） 纠错

AI总结 本文提出融合物理的高斯过程用于交通状态估计，通过引入经典交通流模型构建多输出内核，提升稀疏观测下的可靠性及密集观测下的精度。