跳到主要内容
检索

Boston University

5 篇关联报道

订阅更新
  1. bioRxiv

    单细胞时间序列不再只给黑箱嵌入:scCont用近邻配对加Shapley归因,把上皮-间质转化拆成可读基因模块

    scCont把时间序列单细胞RNA数据中的细胞状态转变拆成可解释的功能转变单元:它不依赖显式时间标签或聚类先验,而是用k近邻图在表达空间中挑选正样本对做对比学习,再用Shapley归因把潜在维度映射回基因程序。在4个SERGIO模拟数据集和13个上皮-间质转化时间序列数据集上,它给出的基因模块带有统计筛选和GO富集注释;模拟数据中k=10时,每个潜在维度归因最高的100个基因里背景基因占7.0%,而随机水平为73.3%。

  2. researchsquare.com

    酶动力学预测改学配对差值:冷启动下kcat的R²达0.71,外部腺苷酸激酶零样本PCC为0.40

    酶动力学预测长期依赖在异质数据上直接回归绝对值,同一酶-底物体系在不同研究中的测量可相差数个数量级,模型容易向均值收缩。DeltaKcat把任务改写为配对相对学习:在同一研究内固定酶或固定底物,用孪生网络预测两个酶-底物复合物之间的动力学差值,再用实验已知的参照复合物把差值还原为绝对值。在冷启动划分下,kcat的绝对预测R²为0.71、PCC为0.85,高于DLKcat、CataPro和UniKP的R² 0.14至0.48;在完全未参与训练的外部腺苷酸激酶数据上,零样本PCC为0.40。

  3. Lifetime Data Analysis

    抽样偏了,生存预测还能准吗:加权提升机在铀矿工数据上与Cox模型打平

    在按结局抽样的队列里,协变量只对部分受试者采集,直接套用常规生存模型会让预测偏离目标人群。一种带抽样权重的梯度提升机把权重并入训练与调参,用加权积分Brier分数选择迭代次数,并证明该经验风险收敛到对应的积分Brier风险。模拟中它在高维与非线性设定下优于Cox模型,在铀矿工癌症数据上测试集C指数为0.803,与Cox模型的0.801接近。

  4. arXiv

    序列模型不再只记一个隐状态:按语义相似度选历史延迟,IMDB准确率95.35%

    一种把序列建模写成非线性时滞系统的框架,用当前输入与历史输入的语义相似度动态决定回看多远,在IMDB情感分类上以2.6M参数取得95.35%准确率,高于同表LSTM的89.90%与Mamba的83.00%。

  5. 生成式AI视频模型如何描绘抑郁:对OpenAI Sora 2的混合方法研究

    该研究用单词提示“Depression”在Sora 2的消费端应用与开发者API各生成50个视频(共100个),由两名受训编码者独立编码叙事结构、视觉环境、物体、人物人口学与人物状态,并提取视觉美学、音频、语义内容与时间动态等计算特征进行比较,发现应用端视频呈现明显的“康复偏向”(78%即39/50呈现从抑郁状态走向缓解的叙事弧,API端为14%即7/50),应用端视频随时间变亮(平均斜率2.90,SD 2.43每秒,对比API的-0.18,SD 1.24每秒;Cohen d=1.59;q<.001)且运动量约为API的3倍(Cohen d=2.07;q<.001),而两种接入方式共同收敛于狭窄的视觉语

已读完全部报道