跳到主要内容
检索

Georgia Institute of Technology

40 篇关联报道

订阅更新
  1. bioRxiv

    细胞体外的RNA不再当噪声丢弃:SCOUBI在小鼠脑内标出轴突-树突交汇位点

    空间转录组数据中大量落在分割细胞体之外的RNA通常被分析流程丢弃,而神经元mRNA本可被运送到远离胞体的轴突和树突。SCOUBI把这类细胞体外空间切成小格,用已知轴突、树突标记基因训练一个浅层神经网络,同时要求相邻的轴突格与树突格之间出现显著的配体-受体共表达,再把两类格子汇聚且配体-受体共定位的位点定义为“界面”。在小鼠半脑Xenium数据上,它给出与已知神经解剖组织相符的轴突、树突与界面图谱,界面转录组富集突触相关基因,并在多个独立样本和两种成像平台上重现。

  2. arXiv

    强化学习即服务被20美元攻破:Bait用奖励探针让有害训练学不进去

    智能体强化学习即服务把数据采样和奖励打分交给用户,一个有害奖励函数就能以低至20美元的成本抹掉模型的安全对齐。Bait在回滚阶段把专门训练的Bait模型生成的显式有害回答混入策略模型的回答组,用两类回答平均奖励之差(奖励散度)的符号判断奖励函数是否有害,检测为有害时翻转该组奖励符号施加惩罚。在自建测试台上,Bait把三种有害指令数据集上的平均有害分数从20.4降到6.8,平均智能体准确率从93.1升到96.0。

  3. arXiv

    大模型预填、小模型解码:BridgeKV 把提示缓存翻译过去,单张 A40 上请求快 3.0 倍

    BridgeKV 让同一模型家族里的大模型只做一次预填,再由一个轻量 KV 拼接模块把大模型的提示缓存翻译成小模型的原生缓存布局,之后每个输出 token 只由小模型生成。在六个模型对、五个数据集共 30 个设置上,它的得分都高于可训练参数量匹配的微调小模型基线,最多补上与大模型两阶段推理之间 80% 的质量差距。单张 A40 上,Llama-3.1-Instruct-8B→Llama-3.2-Instruct-1B 处理 1K 提示、256 输出 token 用时 2.96 秒,接近小模型单独运行的 2.80 秒,比大模型单独运行的 8.83 秒快 3.0 倍。

  4. bioRxiv

    多脑区记录不再混算:DynISys 把 PMd 与 M1 拆成两个动力系统,通信只走三维通道

    从多脑区同时记录中区分“脑区自身的动力学”和“外部输入”一直很难,因为同一段活动可以由多种动力学与输入组合产生。DynISys 把每个记录脑区建成独立的低维动力系统,脑区间通信只经少量显式通道,并用可逆读出把潜状态映射到放电率。在两只猴的 PMd 与 M1 同步记录上,它每区仅用 8 维潜状态就达到 MR-LFADS 每区 128 维的 PSTH 重建水平,且推断出的 PMd→M1 通信时序与目标信息由 PMd 传向 M1 的假设一致。

  5. medRxiv

    阿尔茨海默病纵向队列不再只按诊断分组:TRACE在24个月预测上纯度高出最强基线3.1个百分点

    TRACE把纵向就诊记录映射为可解释的进展表型,让表型数量可以多于诊断类别。在ADNI队列的标签匹配设置下,它在当前、12个月和24个月三个预测时点上取得最高的纯度、NMI、ARI、轮廓系数以及准确率和宏F1;24个月时相对最强基线,纯度与轮廓系数分别高出3.1和5.8个百分点。放开表型数后,它从认知正常与轻度认知障碍主导的两组中分出一个新表型,其认知量表轨迹居中而海马体积轨迹与轻度认知障碍组重合。

  6. bioRxiv

    决策差异不必各立一套模型:155人点击任务里,六维共享结构复现于102人新样本

    个体在知觉决策中的差异,可能只是少数共享计算成分的不同配比。研究用低秩神经网络直接从逐试次选择中同时学习共享成分与个体权重,在伯努利点击任务的首个数据集(155人)上,样本外预测选出六维个体差异表示:两维时间证据加权、两维选择—结果历史依赖,加上个体侧偏与信噪比;这一低维组织在102人的独立复现数据集中再次出现。

  7. arXiv

    机器人拆解不再只靠示范:PACER把自主回放与人工纠正变成训练权重,主板取件成功率87/100

    电子废弃物拆解中,视觉-语言-动作(VLA)策略的示范数据稀缺,仅靠监督微调难以覆盖部署时遇到的状态偏移。PACER把机器人自主回放、操作员纠正和补充干净示范统一成带过程角色的动作块行,按朝目标推进的程度和轨迹来源给每行赋权,仍沿用原有的监督动作损失。在UR5e主板拆解五个部件的留出硬件测试中,选出的策略完成87/100次接近与交接试验,均匀加权的后监督微调为54/100,固定几何加权为79/100。

  8. arXiv

    智能体自己改模型也改脚手架:RSI-Env让被接受的版本接手下一轮,无基准反馈也能涨分

    RSI-Env把模型训练与脚手架修改放进同一个可持久化的沙箱,由独立的Host Controller负责服务、校验、版本与能力评测,Self模式下被接受的模型–脚手架版本接手下一轮改进。以Qwen3.8-27B配最小脚手架起步,无基准反馈的Open-General Self把GPQA Diamond准确率从65.2%提到73.2%、AIME 2026从53.3%提到56.7%;Knowledge Self让SimpleQA从82.0%升到85.0%再到88.0%,但同一批运行在其他基准上出现回落。

  9. arXiv

    结构化知识检索不再依赖预设规则:路由智能体与检索器交替训练,规则由检索效果反过来挑选

    结构化知识检索不再需要预先写好的查询—规则配对:路由智能体为每条查询挑一条推理规则,对应检索器按该规则约束排序证据,两者交替训练、互相提供监督。

  10. arXiv

    推理采样不再一次只走一步:预取整棵接受/拒绝子树,PowerMH 中位提速1.71倍

    PowerMH 的接受/拒绝判定必须串行,每次判定后才能生成下一个提议;PreSTO 把未来若干步的提议放进一次批量调用预取,在七个数据集和五个基座模型上对 PowerMH 取得 1.71 倍中位加速,且不改变其转移核。