肿瘤分型不再只分大类：HHRM沿八级层级逐层判型，泛癌测试准确率0.7924
肿瘤亚型本身有层级结构，从原发癌种一路细分到分子亚型，但多数分类模型把标签摊平处理，忽略了层级之间的生物学约束。HHRM把癌症标志基因网络与递归模块结合，在26种原发癌、405个亚型、最多八级的11,476例泛癌样本上逐层预测，局部输出模式下准确率为0.7924，高于所比较的层级分类模型。在1,608例乳腺癌独立数据上重新训练后，测试与验证准确率均超过0.86。
多步反应机理不再只靠单步模板：图引导偏好数据让GRMP整条路径准确率到48.1%
多步反应机理预测此前多停留在单步基元反应，难以外推到未见反应空间。GRMP把专家模板补全的化学机理知识图与语言模型结合，用图卷积网络生成候选路径构造偏好数据做直接偏好优化，推理时再检索图中关系证据修正路径。在ChemMechQA与oMe-Gold上，GRMP的整条路径准确率分别为48.1%和57.9%，为所比较方法中最高。
图像记忆性模型在噪声下会反向打分，GraphMem改用图像间相似关系后与人类判断最接近
在LaMem图像上加入逐级高斯噪声后，ResMem、ViTMem、AMNet等主流图像记忆性模型对原本易记的图像给出更低的记忆性估计，对原本难记的图像反而给出更高估计，呈现类似随机共振的反向模式；而88名参与者的连续再认任务显示，易记图像对噪声更耐受，难记图像明显下降。研究者据此构建GraphMem，从图像在相似性图中的邻域而非单张图像特征估计记忆性，在噪声与模糊条件下与人类数据的斯皮尔曼相关最高，噪声训练后其斜率效应为ρ=0.57（95%自助置信区间[0.29,0.75]），是唯一转为正值的模型。
已读完全部报道