跳到主要内容
检索

University of California, Irvine

13 篇关联报道

订阅更新
  1. bioRxiv

    F-box 蛋白不再被当作刚性支架:冷冻电镜、交联质谱与深度学习显示 FBXL2 的底物识别域可摆动 43 Å

    F-box 蛋白是 SCF 泛素连接酶中负责挑选底物的模块,长期被当作相对刚性的结构适配器。这项研究把冷冻电镜结构、交联质谱距离约束和基于深度学习的构象系综预测放在一起,比较同一蛋白在不同复合物中的构象。结果显示 FBXL2 的底物识别域相对锚定域可移动 43 Å,FBXL17 在不同组装环境中相差 17 至 33 Å,而 FBXL1 的对应位移只有 4.5 Å;FBXL2 的构象需要至少四个状态才能满足与 CSN 的交联约束。

  2. bioRxiv

    空间转录组不再只交换细胞级表示:SpaAxFormer保留每个基因的状态,DLPFC插补L1低于Impeller

    空间转录组模型通常只在细胞或斑点之间交换表示,基因信息随表达谱附带进入。SpaAxFormer把每个细胞–基因条目保留为独立状态,先在细胞内让基因互相参照,再按同一基因在空间邻居间交换信息,另设一个细胞级汇总表示。在六个DLPFC切片上,其基因表达插补的平均L1距离均低于Impeller,例如切片151510为0.239对0.254;在Stereo-seq与Slide-seq V2上,Impeller的平均L1与RMSE更低。

  3. bioRxiv

    CytoBridge把稀疏空间转录组快照连成虚拟组织:细胞间相互作用被写成动力学的一项

    时间序列空间转录组每次只测一张组织切片,细胞如何迁移、增殖、彼此影响只能间接推断。CytoBridge在转录组与空间坐标组成的联合状态空间里学习连续群体演化,把速度拆成由空间邻域和配体—受体先验估计的相互作用项与内在调控项,并允许细胞数增减。在五个数据集、三种空间转录组平台上,它生成未测量的中间阶段;留一阶段基准的33个组合中,它在12个上Sliced-W2最低,多于其他任何方法或对照。

  4. researchsquare.com

    表面码纠错只算真正出错的点:稀疏解码器在SI1000噪声下把逻辑错误率最多压低49%

    表面码纠错解码器此前无论实际错误多少,都要处理整张 d2×Rd^2 \times R 的综合征阵列,而物理错误率约0.1%时只有不到5%的条目被触发。稀疏Mamba解码器(SMD)只处理被触发的k个探测事件,每个事件用13维特征描述,再用Mamba状态空间骨干在O(k)时间内给出逻辑判断。在SI1000噪声、p=1.5×10−3p=1.5\times10^{-3}下,三检查点集成把d=7的逻辑错误率相对MWPM降低16%,单模型在d=3和d=5的比值分别为0.65和0.51。

  5. arXiv

    卷积层读进去的图还能还原多少:压缩比一比深度更能预测,复制预训练奇异向量会提高还原度

    在九个ImageNet卷积网络上,逐层从输出重建该层输入patch的可还原度随深度下降,但更稳定地由该层有效压缩比预测;把预训练奇异向量复制到随机编码器会提高可还原度,复制奇异值谱或激活稀疏度则降低。

  6. arXiv

    大模型后门不再一步触发:八个良性词逐步腐蚀推理,答案仍对时已出错

    一种新的后门让被植入的模型随良性触发词累积而分四步退化推理,在答案仍正确时就已出错,且现有防御难以完全阻断。

  7. arXiv

    OMVV 用多验证器在线路由,在推理基准上以更低验证成本取得比任何单一固定弱验证器更高的准确率

    该工作提出 OMVV(Online Multi-Verifier Verification),维护一个由 K 个成本与验证性能各异的候选弱验证器组成的池,通过在线分数组合器与指数权重路由策略自适应地为每一轮选择验证器,在全部验证器池上给出无分布假设的有限时间假接受率与假拒绝率保证,并在成本与一致性联合目标下相对事后最优固定验证器实现次线性遗憾;在推理数据集基准上的实验显示,OMVV 在多种运行预算下比任何单一固定验证器准确率更高、验证成本更低。

  8. Urogynecology

    ChatGPT 生成的盆腔器官脱垂手术决策辅助工具患者易懂性高,但约 30% 主题准确性不足且整体可读性偏高

    这项横断面研究由 6 名泌尿妇科医生设计 6 个比较两种常见泌尿妇科疾病治疗方案的问题并输入 ChatGPT 生成决策辅助工具,随后由患者和医生用患者教育材料评估工具评价易懂性、医生用改良 DISCERN 评价可靠性、用 5 点 Likert 量表评价准确性、用 Flesch-Kincaid 阅读易度评分评价可读性,结果显示所有工具的患者和医生易懂性均高,可靠性一般(平均 mDISCERN 26 分),2 个工具准确性低于 4 分(不利),整体所需阅读水平偏高。

  9. arXiv

    PsPLUG 用“个性化残差”插件缓解显式风格指令对用户偏好的压制,并在 LaMP 上取得更优表现

    该工作指出显式风格指令会削弱个性化大模型保留的用户特征(称为 personalization collapse),提出把个性化建模为同一输入下用户真实语言分布与基座模型中性分布之间的“分布残差”,并据此设计轻量插件 PsPLUG:在冻结的 Qwen3-8B 主干上注入由系统指令向量、用户向量和输入向量拼接而成的 3 token 前缀,用风格条件下的偏好目标(Bradley–Terry 成对损失)学习用户特有残差,并在推理时通过缩放系数调节个性化强度;在 LaMP 基准上,PsPLUG 在无风格指令时总体优于非个性化、RAG、PAG、PPlug、OPPU 等基线,在四种风格(Warm、Critical、Concise、E

  10. arXiv

    CARD 用聚类 LoRA 加解码期偏好向量,在 LaMP 与 LongLaMP 六项任务中 12 个指标拿下 10 项第一

    CARD 提出一种分层个性化文本生成框架:先按写作风格把用户聚类并为每个簇训练共享 LoRA 适配器,再用对比用户文本与簇级生成结果的隐式偏好学习得到轻量用户偏好向量,推理时仅通过低秩 logit 修正进行解码期个性化,在 LaMP 与 LongLaMP 六个任务、两个指标共 12 个设置中排名第一的有 10 个,并在低资源用户、跨模型规模与存储效率上表现稳定。