跳到主要内容
检索

Université Paris Cité

3 篇关联报道

订阅更新
  1. bioRxiv

    Fox 不再先建树:直接读宿主与共生体双份比对,推断比 ABC 基线快三个数量级以上

    宿主与共生体的共进化事件频率过去要先重建宿主树、再做树间调和,树推断误差会传进结果。Fox 改用 transformer 直接从宿主与共生体的两份多序列比对及其对应关系输出共物种形成、宿主转换、丢失和重复四类事件的相对频率,模拟成本只在训练时付一次,之后每个新系统一次前向计算即可。在独立模拟器 treeducken 上,Fox 在 AmoCoala 能完成的 92 个数据集上平均绝对误差为 0.060,AmoCoala 为 0.131,且 Fox 推断快三个数量级以上。

  2. arXiv

    RWKV长程预测会衰减:交替插入注意力块,36M参数在GIFT长程追平1B模型

    HART把Transformer块与RWKV块交替堆叠,让预测区直接检索历史,在GIFT-Eval与TIME-Benchmark的中长程上优于纯RWKV,并以36M参数在GIFT长程取得与Toto-2.0-1B相当的MASE。

  3. arXiv

    HyperNSDE用超网络把静态基线写入神经SDE漂移,在模拟与真实临床数据上改善观测时间保真度

    作者提出HyperNSDE,一个连续时间生成模型:用HI-VAE编码异质静态协变量,再通过超网络把静态潜表示映射为个体化漂移参数,驱动一个潜神经SDE,并用潜状态依赖强度过程联合建模观测时间,训练上采用确定性—随机路径分解与签名核目标;在模拟数据和VELOUR、PPMI两个真实队列上,它取得更好的观测时间保真度与若干分布和隐私指标,而预测与相关性指标表现不一,受观测网格规则性和轨迹平滑度影响。

已读完全部报道