跳到主要内容
检索

Jilin University

8 篇关联报道

订阅更新
  1. bioRxiv

    TriStageHLA把表位发现拆成三步:免疫原性预测AUROC从60.1%升到81.4%

    香港城市大学等团队发布TriStageHLA,把HLA-I表位发现拆成肽段初筛、等位基因特异结合预测和免疫原性预测三个串联模块。在留出的免疫原性数据上,免疫原性模块AUROC为81.4%、AUPRC为73.8%,高于ImmuneApp的70.7%/63.6%和BigMHC-IM的60.1%/51.5%;结合模块在BA/EL合并评估上AUROC为96.2%、AUPRC为95.2%。在30万条人蛋白组背景肽的模拟筛选中,初筛保留82.4%的真实候选肽并丢弃87%的背景肽。

  2. arXiv

    动态图预测不再逐图重训:交互历史写成表格,冻结的表格基础模型直接排序候选

    CL-DGFM把动态图上的交互历史编码成与节点身份无关的表格特征,涵盖重复接触、间接连通和有序目的地转移,再让预训练的表格基础预测器在多样合成动力学上学习如何解读这些特征。在TGB与TGB-Seq的13个数据集上,它在其中10个取得最高平均MRR,并在Comment、Flickr、YouTube上分别比所列最强基线高10.78、15.24和11.69个百分点;迁移到真实图时不更新目标图参数。

  3. arXiv

    扩散语言模型不再用固定向量纠错:把上一步预测当反馈,TruthfulQA 多选题均值从 30.89 升到 45.42

    TraceSteer 把扩散语言模型上一步的预测当作反馈,逐步调整激活干预的方向和强度,在 LLaDA-8B-Instruct 与 Dream-7B-Instruct 上提升了 TruthfulQA 的事实可靠性。

  4. arXiv

    图像真假之外还有一问:EviScene让智能体查证画面情境,证据充分率52.26%

    图像事实性评估不再只问画面是否由AI生成,EviScene让多模态智能体边查边改问题,在1527张测试图上把平衡准确率提到79.05%,证据充分率52.26%。

  5. arXiv

    平面波DFT也能训哈密顿量:换用投影度筛选本征态,钠的五相误差压到1–3 meV

    把平面波DFT的哈密顿量转成原子轨道形式时,改用投影度筛选本征态来补全子空间,不再依赖经验平移;在钠的五种高压相上,每原子13个轨道函数的误差为1–3 meV,而实空间重建用23个函数仍为12–28 meV。

  6. arXiv

    MoonGS 用冻结视觉基础模型与语义排序损失,从双图前馈重建月面,LuSNAR 上 PSNR 达 23.80 dB

    MoonGS 是一个面向月面场景的前馈 3D 高斯泼溅框架:仅输入两张图像,单次前向即预测像素对齐的高斯原语,无需逐场景优化;它用冻结的视觉基础模型(DUSt3R,亦可换用 VGGT)提取鲁棒深度特征,融合语义先验并以语义排序损失正则弱纹理背景深度,再用熵引导的启发式重采样补充稀疏观测。在 LuSNAR 与自建弱纹理 MoonBlender 数据集上,其 PSNR、SSIM、LPIPS 均优于前馈 NeRF/3DGS 基线,推理保持亚秒级。

  7. arXiv

    JEV类直接决策模型在36个有序数据集上只用掉67–76%的有效标签空间,BA-LoRA后训练可把利用率从约47%提到86%

    该研究分析JEV 1.13与三个开源KEV模型(0.8B/4B/9B),在ANLI上发现JEV以74.95%准确率却把38.8%的预测和51.3%的错误都给了Neutral,进而在36个有序数据集上测得最终决策只覆盖67–76%的有效金标支持(四个名义任务为87–102%),并通过候选顺序随机化、同一批样本上把量表从K=2细化到K=14(K=14时利用率降至26–75%)、以及BA-LoRA定向后训练(八个受监督量表上金标相对利用率从约47%升至86%)表明这种“有序量表利用率偏差”是习得且可修改的决策阶段候选空间压缩。

  8. Retina

    用Oracle筛选的合成眼底图像增强糖尿病视网膜病变分级,ConvNeXt的二次加权kappa从0.6350提升到0.7695,增殖期DR召回率翻倍

    该研究在辅助数据集上预训练StyleGAN3与Medfusion,并用域匹配的Oracle网络通过潜在空间拒绝采样和类别条件SDEdit升级对合成图像进行严格筛选,随后在印度DR图像数据集上以ConvNeXt、ResNet50、VGG16三种架构和五个随机种子评估下游分级,结果显示仅用真实数据训练的ConvNeXt基线二次加权kappa为0.6350±0.0135,加入筛选后的StyleGAN3合成数据提升至0.7185±0.0309,加入Medfusion合成数据提升至0.7695±0.0254(绝对提升0.1345),且Medfusion将增殖期DR的召回率从0.2615±0.1595提高

已读完全部报道