跳到主要内容
检索

York University

5 篇关联报道

订阅更新
  1. 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。

  2. 肿瘤免疫最优控制换掉前后向扫描:16个情景里14个卡在饱和二循环,反传训练全部收敛

    肿瘤免疫动力学的最优控制通常用前向-后向扫描迭代求解庞特里亚金必要条件,但该迭代在控制饱和时会在两种饱和模式间反复跳动而不收敛。把控制写成神经网络、把代价泛函当作训练损失后,训练损失的任何驻点都满足连续一阶必要条件,误差受离散化控制。在取自肿瘤免疫模型的4×4情景网格上,标准扫描在16个情景中有14个失败,而神经网络训练在每个情景都达到稳定最优,最终代价比收敛的阻尼扫描解低2到10倍。

  3. arXiv

    SCOPD 用稀疏上下文在线自蒸馏把 10% 视觉 token 下的 VLM 性能从 86.37% 提升到 92.43%

    该工作通过固定上下文的 Pass@K 分析发现视觉 token 剪枝后的性能下降并非全是信息丢失,而是模型未能可靠利用残留证据(表征—利用差距),并提出 SCOPD 与 SCOPD+ 两种稀疏上下文在线自蒸馏方法,在 10% 视觉 token 保留率下把 13 个基准的归一化平均性能从 Vanilla 的 86.37% 提升到 90.49% 和 92.43%,且不改变架构、不增加推理开销、不需要真实答案。

  4. arXiv

    Open-PMC-18M 用子图拆分与上下文摘要构建 1800 万医学图文对,检索平均召回提升 27%

    该工作从 BIOMEDICA 语料出发,用基于 DAB-DETR 的子图检测、Qwen2.5-VL-32B-Instruct 的子图注提取和 Qwen2.5-14B-Instruct 的正文上下文摘要,构建并公开了含 1800 万子图-文本对的 OPEN-PMC-18M 数据集,并在放射、显微与可见光摄影三类模态的 6 项检索与 19 项零样本分类任务上训练视觉-语言编码器,报告检索平均召回 21.64、较此前最佳模型 OPEN-PMC 相对提升 27%,零样本分类总体平均 F1 达 39.77。

  5. 用分层机器学习与反事实分析预测并干预化疗预约的取消与爽约

    该研究基于Dana-Farber癌症研究所1,825,948条化疗预约记录,构建分层机器学习流程先预测取消再预测爽约,取消与爽约的F1分别达0.76与0.82,较单阶段多项基线在少数类上提升7–10个百分点;并用半监督学习从临近取消中推断爽约原因(加权F1为0.57与0.54),再通过反事实模拟评估干预措施,发现提醒等常规策略效果有限,而提升提供者一致性与承诺式排程可同时或分别降低取消与爽约。

已读完全部报道