对撞数据不再一任务一模型:5亿模拟事件预训练,异常检测显著性达7.6σ
高能物理分析长期为每个任务单独训练模型,EVENET把每次对撞表示成无序粒子云,用5亿个模拟事件做自监督加物理监督的两阶段预训练,再以可替换的任务头适配下游。在CMS开放数据的反孤立ϒ→μ+μ−搜寻中,完整预训练版本经校准后给出7.6σ的中位局部显著性,高于已发表的6.4σ;在重共振搜寻的质量网格上,其最大SIC相对从头训练平均提高约50%。
高能物理分析长期为每个任务单独训练模型,EVENET把每次对撞表示成无序粒子云,用5亿个模拟事件做自监督加物理监督的两阶段预训练,再以可替换的任务头适配下游。在CMS开放数据的反孤立ϒ→μ+μ−搜寻中,完整预训练版本经校准后给出7.6σ的中位局部显著性,高于已发表的6.4σ;在重共振搜寻的质量网格上,其最大SIC相对从头训练平均提高约50%。
该工作提出 TT-VidT,用 DINOv3 初始化的 ViT-B/16 逐帧空间通路加一个紧凑的 Temporal Transfer Layer,并以 Diff Compression 从首帧外观锚点与逐帧运动 token 重建目标帧;在约 170M–190M 编码器规模、1.7M OpenVid 与 Moments-in-Time v2 片段、8 轮训练的匹配配方下,24 组架构-目标扫描显示只有 TT3D 与 Diff Compression 的组合进入最强运动敏感区间,最终比较中同时领先 Jester、Something-Something V2、ARID 与 Diving48 微调,且编码器 FLOPs 比 DisMo 少 48%、比 VideoMAE 或 V-
这篇综述梳理了微孔平台如何通过细胞加载策略、孔几何结构、平台架构与材料选择决定单细胞可获取的信息,并系统回顾其在细胞行为与细胞间相互作用、分泌组分析、基因组与转录组分析以及药物筛选与精准医学中的应用,同时区分了已在微孔研究中直接验证的人工智能方法与仍处于前瞻阶段的方法,指出微孔工程与人工智能驱动分析结合可将单细胞研究从测量推向预测与自主发现。
该研究以台湾24家医疗中心2024年的5467条Google评论为语料,将常用的LDA单主题归类与基于GPT的方面级情感分析(ABSA)在同一语料上对照,发现含方面评论平均涉及2.05个不同服务方面,单主题归类产生约51.2%的表征压缩,软分配LDA可将计数层面压缩降至1.7%但语义对齐仍有限(平均集合Jaccard=0.33)且不携带方面级情感极性;多面评论中11.0%存在跨方面混合情感,其中“技术-功能背离”(肯定技术质量而批评功能质量)占61.6%;正负评论共提的方面组合不同,但点互信息分析显示这些差异主要与各方面边际流行度混杂,而非反映与流行度无关的共现倾向。
已读完全部报道