Giant panda
PulseAugur coverage of Giant panda — every cluster mentioning Giant panda across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究探索LLM的高效注意力机制 · 已追踪7个来源
研究人员正在开发新方法来提高大型语言模型（LLM）中注意力机制的效率和有效性。一种名为MS-GLA的方法，引入了多尺度时间分辨率到注意力头，使其能够专门处理局部句法模式或长距离语义依赖，从而提高准确性和降低困惑度。另一项开发PANDA，通过将先验知识融入注意力机制来增强超图神经网络，从而带来显著的性能提升。此外，一种称为动态上下文截断的方法使LLM在收集到足够信息后能够自我终止处理，降低计算成本并提高准确性。其他研究将稀疏注意力视为一…
-
新的MFE-MIL框架增强了病理学中的全切片图像分析
研究人员开发了一个名为掩码特征编码多实例学习（MFE-MIL）的新框架，以改进计算病理学中全切片图像的分析。该方法使用特征空间掩码方法，结合轻量级MLP适配器、掩码重建分支和MIL分类头。MFE-MIL旨在减少由染色和扫描仪差异等因素引起的切片内方差，增强切片级预测的区分信号。该框架在多个数据集上显示出更高的准确率和F1分数，在许多情况下优于现有的空间方法，并实现了比2DMamba更高的AUC。
-
PANDA架构提升多智能体系统可扩展性和容错能力 · 跟踪2个来源
研究人员推出了一种新颖的去中心化架构PANDA，旨在增强由大型语言模型驱动的大规模多智能体系统（MAS）的可扩展性和容错能力。PANDA通过使智能体能够发现能力、自我组织成专业团队以及高效管理通信，解决了现有MAS的局限性。该架构支持灵活的编排策略和动态重新规划以从故障中恢复，确保任务完成。在HotPotQA基准上的评估表明，PANDA可扩展到数千个智能体，实现高效率，并在故障条件下保持性能。
-
新的PANDA框架通过不完整数据增强多模态医学预测
研究人员开发了PANDA，一个新颖的两阶段框架，旨在通过有效利用并非所有受试者都可用的辅助数据来增强多模态医学预测模型。该框架从配对数据中学习共享嵌入，并从辅助模态估计类别原型。然后，它在所有受试者上训练主要模型，将它们与这些固定的原型对齐，即使在推理时辅助数据完全缺失，也能实现有效的信息转移。PANDA已在利用MRI和表格数据进行阿尔茨海默病分类以及从病理切片进行肺癌生存期预测方面取得了改进。
-
新框架ADMIL大幅削减病理AI推理成本
研究人员开发了ADMIL，一种用于优化病理学基础模型推理过程的新型框架。ADMIL使用一个轻量级的切片选择模型PriorNet来蒸馏更复杂教师模型的注意力分布。这使得ADMIL能够选择一小部分信息丰富的切片供昂贵的基础模型处理，从而在保持切片级预测准确性的同时显著降低计算成本。该框架已在多个病理学数据集上证明了其能够以最少的切片嵌入和FLOPs匹配完全教师性能的能力，为临床应用提供了更有效的解决方案。
-
新方法通过证明共享和零知识证明增强神经网络验证
研究人员正在探索新方法来验证神经网络的鲁棒性和公平性，特别是在关键领域的应用。一种名为FastCert的方法系统地研究和优化了基于模板的证明共享以加速验证，通过智能地分发模板，比现有技术实现了1.13倍的加速。另一项开发PANDA利用可扩展的零知识证明来保证模型属性而不泄露敏感参数，能够在几分钟内为拥有数百万参数的网络提供证明。
-
BagShift研究量化了补丁选择对全切片MIL模型的影响
一项新的研究论文介绍了BagShift，一种衡量补丁选择的变化如何影响全切片多实例学习（MIL）模型所见证据的方法。研究表明，即使在固定的计算预算下，改变补丁选择过程也会导致截然不同的结果。例如，在PANDA数据集上，与广泛采样相比，将补丁选择集中在单个坐标周围会将一个关键性能指标降低17.96个点。该研究强调了在部署过程中评估补丁选择器保留的内容以及如何聚合观测结果的重要性。
-
BagShift协议揭示了补丁选择如何影响MIL模型的证据
研究人员推出了一种名为BagShift的新协议，旨在衡量补丁选择的变化如何影响全切片多实例学习（MIL）模型所观察到的证据。该方法将选择器的影响与病例组合的变化分离开来。在PANDA和CAMELYON16数据集上的实验表明，即使在相同的计算预算下，不同的补丁选择策略也会向模型展示显著不同的证据，导致二次加权kappa等性能指标大幅下降。研究结果表明，补丁数量本身并不决定观察到的证据，部署评估应同时报告保留的证据和聚合方法。
-
Panda框架实现了盆腔MRI的实时无监督异常检测
研究人员开发了一个名为Panda的新型无监督异常检测框架，专为实时盆腔MRI成像设计。该系统利用一个冻结的DINOv3 Vision Transformer编码器和一个带有线性注意力解码器的嘈杂MLP瓶颈，在无需标记数据的情况下识别与正常组织表示的偏差。Panda生成空间异常图和帧级分数，在子宫肌瘤数据集上实现了88.06%的AUROC，并以40.5切片/秒的速度运行，满足了为放射科医生提供即时反馈的临床部署要求。
-
新的ProsMAE框架增强了组织病理学表示学习
研究人员开发了ProsMAE，一个新颖的多源掩码自编码器（Masked Autoencoder）框架，用于组织病理学表示学习。该方法利用来自PANDA、CAMELYON17和BRACS等不同数据集的图块来训练一个能够处理组织形态和采集条件变化的编码器。然后将预训练的编码器迁移用于ISUP分级分类，与标准的MAE基线相比，性能有所提高。
-
新的DART方法使单样本VLA模型能够适应环境迁移
研究人员开发了一种名为域算术（Domain ARiThmetic, DART）的新方法，能够以最少的数据高效地将视觉-语言-动作（VLA）模型适应到新环境。DART利用权重向量算术和特定域信息添加，仅需一次演示即可完成适应。该方法在模拟和真实世界场景中均优于现有方法，解决了相机姿态或机器人实体变化带来的挑战。
-
AI 框架利用分布式计算简化探测器设计优化
研究人员开发了一个新的 AI 辅助框架，用于优化探测器设计，该框架利用了生产和分布式分析 (PanDA) 系统。该框架集成了多目标贝叶斯优化和 PanDA 的工作流引擎，以管理跨各种计算资源的复杂模拟。该系统在高维参数空间探索方面展示了改进的自动化、可扩展性和效率，并成功应用于电子-离子对撞机的 ePIC 和 dRICH 探测器。
-
LLM增强框架自动化模拟电路设计
研究人员开发了PANDA，一个使用大型语言模型（LLMs）自动化模拟电路设计的新框架。该系统通过管理跨阶段依赖（包括拓扑综合、尺寸调整和版图），连接了高级设计意图与最终版图生成。PANDA旨在将设计周转时间从几天显著缩短到几小时，同时提高性能。
-
华为 Watch Fit 5 Pro 发布，配备互动熊猫健身指导
华为发布了 Watch Fit 5 Pro，这是一款更新的健身追踪器，具有独特的“迷你锻炼”模式，利用动画熊猫指导用户进行简短锻炼。此功能旨在鼓励全天活动，并提供新的熊猫表盘作为完成锻炼的奖励。该设备拥有更大、更亮的显示屏，电池续航能力提升至 10 天，并增加了 NFC 支付功能。
-
AI毛绒宠物Walulu获数千万融资
成都语之灵动科技有限公司（Walulu）已完成天使轮和Pre-A轮数千万元人民币融资。公司核心产品是一款名为Walulu的AI驱动毛绒宠物，被设想为“AI时代的宝可梦”。Walulu的差异化在于，它优先考虑产品设计和IP运营，而非深入的AI模型开发，将用户吸引力定位为玩具优先、AI产品其次。这一策略已成功推动线下销售并拓展至国际市场，公司计划进行进一步的产品迭代和IP合作。