开放式分子设计中，候选按需生成，搜索范围此前多由预设的相似度或候选数固定。TRACE把化学搜索的“远近”和“宽窄”显式化为Tanimoto相似度阈值与候选数预算，并用成功/失败控制器同步伸缩两者，由固定的fragprint高斯过程挑选评估对象。在六个PMO目标、统一1000次评估预算下，TRACE的top-1 AUC平均排名为1.73、top-10 AUC平均排名为1.27；在FePc衍生物的闭环DFT优化中，80次设计候选评估把计算得到的抗Fe溶出能由0.42 eV提高到2.59 eV。
随机试验结果推广到更广目标人群时，若试验样本与目标人群错位，推广估计会失真。TRACE把有效推广估计量的渐近方差拆成基线错位与随访删失两条通道，用树搜索定位代表性不足的亚组并归因。在把JTPA研究推广到美国符合条件成年人的案例中，限定到可可靠推广的亚组后，精化估计量的95%置信区间收窄60%。
TRACE把纵向就诊记录映射为可解释的进展表型，让表型数量可以多于诊断类别。在ADNI队列的标签匹配设置下，它在当前、12个月和24个月三个预测时点上取得最高的纯度、NMI、ARI、轮廓系数以及准确率和宏F1；24个月时相对最强基线，纯度与轮廓系数分别高出3.1和5.8个百分点。放开表型数后，它从认知正常与轻度认知障碍主导的两组中分出一个新表型，其认知量表轨迹居中而海马体积轨迹与轻度认知障碍组重合。
面向持续到来的新行为类别，TRACE 不再回放历史样本，也不扩张共享分类器，而是把冻结的时域—频域特征交给每个类别各自的小型自编码器，按重构误差判定类别。在五个多变量时序增量学习基准上，它的五数据集平均最终准确率为 88.85%，保留内存为 9.17 MiB；相比平均准确率最强的解析基线 TS-ACL，保留内存减少约 98.26%，并在 GrabMyo 上取得约 33.43% 的相对准确率提升。
TRACE 提出一个条件感知的流式视频理解基准与评测框架，把时间有效性、执行条件与运行结果显式化，在来自 517 段视频的 1240 条记录上以八种配置评测八个公开模型或系统，发现几乎相同的问答准确率可能掩盖完成率、答案有效性与生成工作量的巨大差异，而主动响应表现会分离为响应质量、响应延迟、误报与漏报四个维度。
已读完全部报道