Soroosh Tayebi Arasteh
PulseAugur coverage of Soroosh Tayebi Arasteh — every cluster mentioning Soroosh Tayebi Arasteh across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架分析隐私对医学影像AI的影响
研究人员引入了一个名为“用于医学影像的差分隐私表示几何”（DP-RGMI）的新框架，以更好地理解差分隐私如何影响医学影像分析。该框架将隐私度量解释为表示空间的变换，并将性能损失分解为与编码器几何和任务头利用相关的部分。使用四个胸部X光数据集的超过594,000张图像进行的实验表明，即使在保持线性可分性的情况下，差分隐私也会持续产生利用率差距。研究还发现，DP改变表示的各向异性，而不是均匀地压缩特征，位移和频谱维度显示出依赖于初始化和数…
-
新的FRAMEwork评估医学影像中的AI公平性偏差
研究人员开发了一个名为FRAME（Fair-model Reference And Mechanism Evaluation）的新框架，以更好地评估医学影像AI模型中的公平性偏差。FRAME区分了由抽样变异引起的性能差异和源于表征偏差的性能差异。在大量图像和编码器上，FRAME发现抽样变异占了报告的种族和年龄差异的很大一部分，而将群体身份与疾病方向纠缠在一起的干预措施增加了这些差异。
-
研究发现预训练域对私有医学图像AI至关重要
一篇新发表在arXiv上的研究调查了预训练数据对医学图像分析模型中隐私-效用权衡的影响。研究人员发现，与ImageNet等通用数据集相比，使用胸部X光片的预训练数据的域显著提高了差分隐私下的诊断准确性。即使预训练语料库本身是私有的，它仍然优于公共初始化，这表明在对医学成像模型应用隐私措施时，数据的来源比训练目标更关键。
-
自监督学习而非临床数据驱动医学AI模型收敛
一项发表在arXiv上的新研究调查了医学基础模型的表征收敛情况。研究人员发现，自监督学习目标比临床监督更能显著地驱动这种收敛。该研究分析了不同大小和模态的各种开源编码器，结果显示，虽然收敛性是适度的且在模态内部发生的，但它能够为下游任务（如分类）提供可迁移的性能。
-
新的CANDOR度量揭示了冻结AI编码器的弱点
研究人员开发了CANDOR，这是一种新的不一致性度量，旨在更准确地评估冻结基础编码器的能力。与以前的方法不同，CANDOR使用对称、等大的银行将机会水平固定在精确的50%，纠正了由发现的不平等流行度引入的偏差。通过在22个编码器和来自不同领域的605,443张图像上进行广泛测试，CANDOR显示，虽然没有编码器是完全盲目的，但所有编码器在辨别特定发现方面都表现出弱点，其性能通常低于预期。
-
大型语言模型（LLM）内部保留临床证据强度信号，但无法表达出来
一项新研究表明，大型语言模型（LLM）能够在其内部表征临床证据的强度，即使它们无法在其声明的评分中表达这种信心。研究人员发现，一个线性估计器可以从LLM表征中恢复这种证据强度信号，其中位数 AUROC 为 71.8，尽管该信号在很大程度上是词汇性的，并且没有随着模型规模的增大而提高。尽管存在这种内部信号，但模型对证据强度的声明评分常常处于随机水平，这表明其内部理解与其外部沟通之间存在脱节。
-
新的基准和模型在机器人和推理领域推进视觉-语言能力 · 跟踪了10个来源
近期研究探讨了多个领域中视觉-语言模型（VLM）的进展。DeCAL 引入了一个新的模型，用于灵巧操作，该模型集成了触觉感知和视觉-语言理解。ROBORMBENCH 强调了 VLM 奖励模型在机器人领域对释义的脆弱性，并提出了一个衡量这种不稳定的基准。KoNA 和 FPCO-Dialog 分别针对 VLM 中的选择性不合规和持续的错误前提，提出了新的基准和微调策略。MultihopSpatial 专注于提高 VLA 代理的多跳组合空间推…