Columbia University

主题模型的主题表示从词表换成稀疏自编码器学到的可解释激活方向，在八个数据集上主题评审更常偏好这种表示，短文本与抽象诗歌上优势最大。

主题模型的主题表示从词表换成稀疏自编码器学到的可解释激活方向，在八个数据集上主题评审更常偏好这种表示，短文本与抽象诗歌上优势最大。

该研究利用太阳诱导荧光的卫星观测，结合地下水位深度与干旱度的模型估计，并采用因果引导的可解释机器学习，量化地下水与气候干旱度对美国本土光合作用空间格局的相对作用，发现地下水对森林光合作用的相对重要性相当于干旱度效应的48%至101%，在稀树草原与灌丛为30%至58%、草地为22%至42%、农田为15%至32%。

该研究利用太阳诱导荧光的卫星观测，结合地下水位深度与干旱度的模型估计，并采用因果引导的可解释机器学习，量化地下水与气候干旱度对美国本土光合作用空间格局的相对作用，发现地下水对森林光合作用的相对重要性相当于干旱度效应的48%至101%，在稀树草原与灌丛为30%至58%、草地为22%至42%、农田为15%至32%。

作者提出 SHERLOCK，一个可解释的深度生成框架，把遗传与药物扰动表示为潜基线细胞状态上的结构化干预，学习相关且稀疏的扰动表征，并在显式可识别性假设下对下游转录效应做反事实估计，同时量化条件依赖响应并以组合方式建模组合扰动；在基因组规模 CRISPR、化学与空间扰动数据上，该框架恢复了与已知生物通路和药理性质一致的扰动关系，识别出条件依赖响应，并预测了组合扰动效应。

作者提出 SHERLOCK，一个可解释的深度生成框架，把遗传与药物扰动表示为潜基线细胞状态上的结构化干预，学习相关且稀疏的扰动表征，并在显式可识别性假设下对下游转录效应做反事实估计，同时量化条件依赖响应并以组合方式建模组合扰动；在基因组规模 CRISPR、化学与空间扰动数据上，该框架恢复了与已知生物通路和药理性质一致的扰动关系，识别出条件依赖响应，并预测了组合扰动效应。

该研究用神经常微分方程（NODE）在290条悬浮扩散云室中生长的冰晶质量比时间序列上同时优化，学习沉积冰增长模型中未知的传递系数G的函数形式，再用符号回归（PySR）导出闭式表达式，发现弱约束NODE模型在290个实验中138个表现最佳（MSE损失16495，优于无表面动力学模型的41396和Nelson and Baker 1996的40751），并给出含冰晶质量m附加项的公式G = a0·Gc^a1·[a2 + a3/m]^-1 + a4，该式在AIDA气溶胶与云室独立实验中对冰面过饱和度和冰水含量的预测优于电容增长模型与Nelson and Baker 1996模型。

该研究用神经常微分方程（NODE）在290条悬浮扩散云室中生长的冰晶质量比时间序列上同时优化，学习沉积冰增长模型中未知的传递系数G的函数形式，再用符号回归（PySR）导出闭式表达式，发现弱约束NODE模型在290个实验中138个表现最佳（MSE损失16495，优于无表面动力学模型的41396和Nelson and Baker 1996的40751），并给出含冰晶质量m附加项的公式G = a0·Gc^a1·[a2 + a3/m]^-1 + a4，该式在AIDA气溶胶与云室独立实验中对冰面过饱和度和冰水含量的预测优于电容增长模型与Nelson and Baker 1996模型。