Chinese University of Hong Kong, Shenzhen

3 篇关联报道

researchsquare.com 2026年10月19日
蛋白构象轨迹不再只给快照：两级自回归把400帧漂移从8.62降到1.78埃
蛋白质功能取决于构象状态之间的有序转换，而分子动力学模拟在成批蛋白上反复采样代价高昂。TEMPO把生成分成两级：慢尺度模型按训练时的20纳秒步长推进锚点构象，快尺度模型在锚点条件下生成间隔1纳秒的帧。在留出的mdCATH与ATLAS蛋白上，它复现了MD系综观测量；相比单尺度自回归模型，400帧长程RMSD误差从8.62埃降到1.78埃，一次400帧推演不到1分钟。
蛋白质功能取决于构象状态之间的有序转换，而分子动力学模拟在成批蛋白上反复采样代价高昂。TEMPO把生成分成两级：慢尺度模型按训练时的20纳秒步长推进锚点构象，快尺度模型在锚点条件下生成间隔1纳秒的帧。在留出的mdCATH与ATLAS蛋白上，它复现了MD系综观测量；相比单尺度自回归模型，400帧长程RMSD误差从8.62埃降到1.78埃，一次400帧推演不到1分钟。
Chinese University of Hong Kong, Shenzhen Changping Laboratory Mingchen Chen Yu Liu Tianshu Yu Yaoyao Xu
arXiv 2026年10月1日
TAPS 让循环 Transformer 按轨迹自适应步长：Sudoku 准确率升至 91.39%、Maze 达 79.90%，并减少到达同等精度所需的循环次数
该工作提出轨迹自适应进展—波动调度器 TAPS，用指数移动平均在线估计循环更新中的持续进展与中心波动并据此调整每步更新尺度，理论证明在给定条件下可降低期望终端损失、以更少循环达到目标质量，实验在 Sudoku、Maze 及语言模型与中间层循环等设置中提升终端准确率并带来最高约 1.5 倍墙钟加速。
该工作提出轨迹自适应进展—波动调度器 TAPS，用指数移动平均在线估计循环更新中的持续进展与中心波动并据此调整每步更新尺度，理论证明在给定条件下可降低期望终端损失、以更少循环达到目标质量，实验在 Sudoku、Maze 及语言模型与中间层循环等设置中提升终端准确率并带来最高约 1.5 倍墙钟加速。
Chinese University of Hong Kong, Shenzhen Southern University of Science and Technology
轨迹自适应步长调度循环Transformer 循环推理
arXiv 2026年9月26日
DA-SAM3 用双自适应低秩专家路由，在四个公开医学分割基准上以超过 80% 的 MoE 参数削减取得约 5% 的精度提升
该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。
该工作提出 Dual-Adaptive SAM3（DA-SAM3），在 SAM3 的融合模块中把部分前馈网络替换为双自适应 MoE 层：任务侧用 Dynamic Expert Router（DER）同时依据视觉内容与文本概念提示稀疏激活专家，参数侧用 Decomposed Parameterized Experts（DPE）把每个专家表示为继承自预训练 SAM3 的共享冻结基座加轻量低秩增量，从而在 Synapse CT、MMWHS、BTCV、ACDC 四个公开数据集上匹配或超过全量微调 SAM3 与标准 MoE 基线，并相对当时最先进方法取得约 5% 的提升，同时把 MoE 参数开销降低 80% 以上。
Chinese University of Hong Kong, Shenzhen Nanyang Technological University Imperial College London University of Science and Technology of China Qiankun Li Ying Chen Kun Wang Yang Liu Jinyue Li
Advanced Neural Network Applications Domain Adaptation and Few-Shot Learning Multimodal Machine Learning Applications

已读完全部报道

蛋白构象轨迹不再只给快照：两级自回归把400帧漂移从8.62降到1.78埃

TAPS 让循环 Transformer 按轨迹自适应步长：Sudoku 准确率升至 91.39%、Maze 达 79.90%，并减少到达同等精度所需的循环次数

DA-SAM3 用双自适应低秩专家路由，在四个公开医学分割基准上以超过 80% 的 MoE 参数削减取得约 5% 的精度提升