本文介绍了ELECTRIC，一种物理指导的贝叶斯框架。证据神经网络提供图像建议和误差预测的不确定性替代模型，该模型被转换为自适应精度场并应用于泊松加权MAP更新。此闭环将先验置信度视为迭代重建的学习状态变量。通过对AAPM Mayo Clinic低剂量CT数据集切片的仿真实验，验证了机制并展示了基于训练的Normal-Inverse-Gamma证据网络驱动的闭环效果。该方法在未见患者数据上，相较于滤波反投影减少了约70%的重建误差，预测不确定性能够支持选择性信任，物理指导的更新恢复测量一致性，自适应精度重建表现优于固定先验且更稳健。
这条 研究论文 信号说明，来自 arXiv cs.CV 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CV 发布了这条关于 研究论文 的更新：本文介绍了ELECTRIC，一种物理指导的贝叶斯框架。证据神经网络提供图像建议和误差预测的不确定性替代模型，该模型被转换为自适应精度场并应用于泊松加权MAP更新。此闭环将先验置信度视为迭代重建的学习状态变量。通过对AAPM Mayo Clinic低剂量CT数据集切片的仿真实验，验证了机制并展示了基于训练的Normal-Inverse-Gamma证据网络驱动的闭环效果。该方法在未见患者数据上，相较于滤波反投影减少了约70%的重建误差，预测不确定性能够支持选择性信任，物理指导的更新恢复测量一致性，自适应精度重建表现优于固定先验且更稳健。
ELECTRIC结合了物理模型与深度学习的优势，通过学习并调整不确定性，实现了显著的CT图像重建误差降低和增强的信任度评估，有望提高低剂量CT成像的可靠性和临床实用性。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
英伟达参与美国国家科学基金会（NSF）启动的州级和区域人工智能基础设施中心计划，旨在扩大对先进计算、数据、软件及专业知识的访问，推动人工智能研究与教育。
大型语言模型（LLM）智能体在科学研究中被广泛用于组织和调用专业计算工具，但其依赖于静态语义的预定义工具空间，限制了其在动态变化的开放世界科学工作流程中的应用。本文提出SciToolAgent-Evo，一种本体感知的自我进化智能体，能够适应开放世界中的科学工具获取。该智能体通过进化的技能与经验记忆和本体化工具图，提取通用知识，并在推理过程中利用LinUCB基于的策略动态平衡探索与利用。一旦获得新工具，在线完成其科学本体整合入已知图谱。此外，引入包含900个任务的OpenSciToolBench基准，覆盖四个难度等级。实验证明SciToolAgent-Evo实现了最先进的性能，验证了其鲁棒性与泛化能力。
最近大型语言模型（LLM）越来越多地被用作自主智能体，应用于自我反思、检索增强生成和科学发现等领域。在这些应用中，智能体只能基于有限观察而非完整环境状态进行决策，导致部分可观测性问题。本文提出NeSyFS框架，通过使用知识图表示信念状态，以神经符号结合的快速-慢速思维模块应对信念推断、任务目标错配和不确定性规划等挑战。快速思维模块负责反应动作，慢速思维模块结合扭曲序贯蒙特卡洛算法实现不确定性规划，反思模块用于纠正动作并在失败时切换思维模式。实验在ALFWorld、Webshop和ScienceWorld三个基准上表现优异。