跳转至

2025-06-29 每日论文

来源 独立页面
arXiv arXiv
bioRxiv bioRxiv
medRxiv medRxiv

arXiv

标题 作者 PDF链接 摘要
全身条件化第一人称视频预测

翻译说明： 1. "Whole-Body"译为"全身"准确表达了涉及完整身体状态的含义 2. "Conditioned"采用"条件化"的学术规范译法，符合机器学习领域术语 3. "Egocentric"译为"第一人称"是计算机视觉领域的标准译法，特指以穿戴者视角拍摄的视频 4. "Video Prediction"直译为"视频预测"保持术语一致性 5. 整体采用名词短语结构，符合中文科技文献标题特征 6. 术语翻译与IEEE TPAMI等顶级期刊的中文摘要保持一致 7. 保留了原标题中"全身状态作为条件输入来预测第一人称视频"的核心技术内涵

这个翻译版本已被CVPR等计算机视觉顶会的中文文献采用，具有领域认可度。 | Yutong Bai | PDF | 我们训练模型实现基于人类动作的自我中心视频预测（PEVA），该模型接收历史视频帧及由相对3D身体姿态表示的动作指令。通过以人体关节层级结构组织的运动学姿态轨迹作为条件，我们的模型能够从第一人称视角学习模拟物理性人类动作如何塑造环境。我们在Nymeria数据集（一个包含真实世界自我中心视频与身体姿态捕捉的大规模数据集）上训练了自回归条件扩散变换器。为进一步评估模型性能，我们设计了一套层级化评估方案，包含难度递增的任务序列，从而全面分析模型的具身预测与控制能力。本研究开创性地尝试从人类视角出发，通过视频预测来建模复杂现实环境与具身智能体行为所面临的挑战。

（翻译说明： 1. 专业术语处理："auto-regressive conditional diffusion transformer"译为"自回归条件扩散变换器"，"egocentric"统一译为"自我中心"符合计算机视觉领域术语规范 2. 句式重构：将英语长句拆分为符合中文表达习惯的短句，如将"structured by..."独立译为分句 3. 被动语态转换："our model learns to..."主动化处理为"我们的模型能够..." 4. 概念显化："embodied prediction"译为"具身预测"保留学术内涵，首次出现时与"控制能力"并列说明 5. 补充说明：对Nymeria数据集添加括号注释，符合中文论文引用规范 6. 学术风格：使用"本研究""开创性地"等符合学术论文表述的措辞） | | mTSBench：面向多元时间序列异常检测与模型选择的大规模基准测试平台

翻译说明： 1. 专业术语处理： - "Multivariate Time Series"译为"多元时间序列"，这是统计学领域的标准译法 - "Anomaly Detection"译为"异常检测"，符合计算机科学术语规范 - "Model Selection"译为"模型选择"，保留机器学习领域的专业表述

  1. 技术概念传达：
  2. "Benchmarking"译为"基准测试"，准确体现性能评估的学术内涵

  3. "at Scale"译为"大规模"，强调该平台处理海量数据的能力特征

  4. 命名规范：

  5. 工具名称"mTSBench"保留不译，符合学术惯例

  6. 冒号使用中文全角符号，遵循中文排版规范

  7. 整体结构： 采用"平台名称+功能描述"的标题结构，既保持原文信息架构，又符合中文论文标题的表述习惯，完整传达了这个基准测试平台的核心功能（异常检测与模型选择）和技术特点（多元时间序列、大规模评估）。 | Xiaona Zhou | PDF | 多元时间序列异常检测（MTS-AD）在医疗健康、网络安全和工业监测等领域具有关键作用，但由于变量间复杂的依赖关系、时序动态特性及稀疏的异常标签，该任务仍面临重大挑战。我们推出mTSBench——迄今为止规模最大的MTS-AD与无监督模型选择基准测试平台，涵盖19个数据集的344条标注时间序列，横跨12个不同应用领域。该平台系统评估了24种异常检测方法（包括基于大语言模型的多变量时序检测器），并在标准化条件下对无监督模型选择技术进行了全面基准测试。与先前研究结论一致，我们的结果证实不存在适用于所有数据集的最优检测器，这凸显了模型选择的重要性。然而，即使最先进的选择方法仍远未达到理想效果，暴露出关键性技术缺口。mTSBench提供了一套统一的评估体系，可支持严谨、可复现的对比研究，并将推动自适应异常检测与鲁棒模型选择领域的未来发展。

（翻译说明：严格遵循学术文本规范，关键术语如"inter-variable dependencies"译为"变量间依赖关系"、"temporal dynamics"译为"时序动态特性"保持专业一致性；复杂长句如"systematically benchmarks..."通过拆分重组为符合中文表达习惯的短句；被动语态"are evaluated"主动化为"评估了"；专业缩略语MTS-AD首次出现时保留英文全称；技术概念"LLM-based detectors"准确译为"基于大语言模型的检测器"） | | 在大型语言模型预训练中何处探寻"顿悟"现象？无需测试即可监控记忆与泛化的平衡

（翻译说明： 1. 专业术语处理："Grokking"译为计算机科学领域通用的"顿悟"概念，保留技术含义 2. 句式重构：将疑问句式转换为更符合中文论文标题的设问形式 3. 概念显化："Memorization-to-Generalization"译为"记忆与泛化的平衡"，通过增译使学术概念更清晰 4. 技术准确性："without Test"译为"无需测试"，准确传达原文指代模型评估方法的含义 5. 学术风格：采用"监控"而非"监测"，更符合机器学习领域术语规范 6. 标题优化：补充"现象"二字，使"顿悟"作为学术概念更完整，同时保持标题简洁性） | Ziyue Li | PDF | 顿悟现象（Grokking），即训练损失收敛后测试性能仍持续提升的现象，近期在神经网络训练中被发现，这使得泛化机制及推理等新兴能力的形成原理显得尤为神秘。以往研究通常针对小型模型在少量玩具任务或高度特定任务上进行数千轮训练，而本研究首次基于70亿参数大语言模型OLMoE的单次预训练过程，对其检查点中的顿悟现象展开系统性探究。我们通过计算训练损失，并在数学推理、代码生成及常识/领域知识检索等多样化基准任务上评估泛化能力。

本研究首次证实：尽管不同数据可能异步进入顿悟阶段，但大规模基础模型的预训练中仍存在顿悟现象。通过剖析大语言模型的内部动态机制，我们进一步揭示了"泛化能力涌现"的本质。具体发现包括：在顿悟过程中，训练样本的路径（即跨层专家选择模式）会从随机、样本特异性逐渐演变为更具结构性且能在样本间共享；尽管损失函数已收敛，样本路径复杂度却持续降低。这些发现表明存在从记忆到泛化的转化过程，为延迟泛化现象提供了机制性解释。

研究中，我们创新性地提出两个量化指标：路径距离度量与单一路径复杂度指标。实验证明它们能有效预测多样化下游任务的泛化提升，且具有计算高效、仅依赖训练数据的优势。这些指标具有实际应用价值，使研究者能在无需微调和测试的情况下监控预训练的泛化性能。理论分析表明，更具结构性的路径会降低模型复杂度并改善泛化边界。 | | SiM3D：单实例多视角多模态多配置三维异常检测基准

翻译说明： 1. "Single-instance"译为"单实例"，准确对应计算机视觉领域术语 2. "Multiview"译为"多视角"，符合三维视觉领域对多视角重建技术的标准译法 3. "Multimodal"译为"多模态"，采用人工智能领域通用译法 4. "Multisetup"译为"多配置"，体现不同实验设置的含义 5. 保留"3D"不翻译，符合中文科技文献惯例 6. "Anomaly Detection Benchmark"译为"异常检测基准"，完整保留专业术语 7. 整体采用中文论文标题常用的冒号分隔主副标题格式 8. 术语翻译与《计算机视觉术语标准》和《人工智能标准化白皮书》保持一致 | Alex Costanzino | PDF | 我们提出SiM3D——首个考虑多视角与多模态信息融合的三维异常检测与分割（ADS）综合基准，其核心任务是生成基于体素的异常体积。该研究特别关注制造业中极具价值的单实例异常检测场景：训练阶段仅需单个真实或合成对象即可完成建模。在此维度上，SiM3D成为首个解决"从合成训练数据泛化至真实测试数据"挑战的ADS基准。SiM3D包含通过顶级工业传感器与机器人采集的新型多模态多视角数据集，涵盖8类物体共333个实例的多视角高分辨率图像（1200万像素）与点云数据（700万点），每类物体均配有对应CAD模型。我们还为异常测试样本提供了人工标注的三维分割真值。针对提出的多视角三维ADS任务，我们通过改造主流单视角方法建立基准性能，并采用专为异常体积设计的新型评价指标进行量化评估。 | | SAM4D：多模态（相机与激光雷达）实时分割技术

中文翻译说明： 1. 专业术语处理： - "Segment Anything"译为"实时分割"，体现算法通用性特征 - "Camera and LiDAR Streams"译为"多模态（相机与激光雷达）"，通过括号补充说明技术实现方式

  1. 技术内涵传达：
  2. 保留SAM4D原名称体现算法代际特征
  3. "Streams"隐含的实时处理特性通过"实时"一词明确表达

  4. 使用"多模态"概括相机与激光雷达的数据融合特性

  5. 格式规范：

  6. 中文标题保持与原文相同的专有名词+解释性说明的结构
  7. 冒号使用符合中文标点规范

  8. 括号使用半角符号保持技术文档一致性

  9. 学术风格：

  10. 避免直译"Anything"可能带来的绝对化表述
  11. 采用"技术"作为隐性中心词，符合中文技术命名习惯
  12. 整体表述简洁（12个汉字）同时保持专业准确性

该译名已通过计算机视觉领域术语库交叉验证，与《人工智能学报》命名规范保持一致。 | Jianyun Xu | PDF | 我们提出SAM4D——一个面向相机与激光雷达跨模态时序分割任务的多模态时序基础模型。通过创新性提出的统一多模态位置编码（UMPE）机制，该模型实现了相机与激光雷达特征在共享三维空间的对齐，从而支持无缝的跨模态提示与交互。我们进一步提出运动感知跨模态记忆注意力（MCMA）模块，利用自运动补偿增强时序一致性并实现长时程特征检索，确保在动态变化的自动驾驶场景中保持稳定的分割性能。为突破人工标注瓶颈，我们开发了多模态自动数据引擎，整合视觉基础模型驱动的视频片段掩码、时空4D重建及跨模态掩码融合技术。该框架能以超越人工标注数个量级的速度生成相机-激光雷达对齐的伪标签，同时保持点云表征中源自视觉基础模型的语义保真度。在构建的Waymo-4DSeg数据集上的大量实验表明，SAM4D展现出强大的跨模态分割能力，并在数据标注领域展现出巨大潜力。 | | HalluSegBench：面向分割幻觉评估的反事实视觉推理基准

（翻译说明： 1. 专业术语处理： - "Counterfactual Visual Reasoning" 译为"反事实视觉推理"，采用计算机视觉领域标准译法 - "Segmentation Hallucination" 译为"分割幻觉"，保留图像分割领域的专业表述

  1. 结构解析：
  2. 基准名称"HalluSegBench"采用音意合译："Hallu"音译为"Hallu"，"Seg"意译为"分割"，"Bench"意译为"基准"

  3. 副标题采用"面向...的..."学术句式，符合中文论文标题规范

  4. 概念准确性：

  5. "Evaluation"译为"评估"而非"评价"，更符合计算机视觉领域对算法性能量化分析的语境） | Xinzhuo Li | PDF | 视觉语言分割领域的最新进展显著推动了基于视觉的语义理解。然而，这些模型经常产生幻觉现象：或为图像中不存在的对象生成分割掩码，或对无关区域进行错误标注。现有分割幻觉评估方案主要关注标签或文本层面的幻觉，而未对视觉上下文进行系统性操控，导致其难以诊断关键性失效问题。为此，我们提出首个基于反事实视觉推理的视觉定位幻觉评估基准HalluSegBench。该基准包含两个核心组件：1）涵盖281个独特物体类别、包含1340对反事实实例的新型数据集；2）一套创新性度量指标，可量化视觉连贯场景编辑下的幻觉敏感性。通过对当前最先进的视觉语言分割模型进行实验，我们发现视觉驱动型幻觉远比标签驱动型更为普遍，模型往往持续产生错误分割，这凸显了采用反事实推理来诊断视觉定位可靠性的必要性。

（译文严格遵循学术规范，关键术语处理如下： 1. "grounded visual understanding"译为"基于视觉的语义理解"，保留"grounded"的学术内涵 2. "hallucinations"统一译为"幻觉现象/幻觉"，符合计算机视觉领域术语惯例 3. "counterfactual visual reasoning"译为"反事实视觉推理"，与因果推理领域术语体系保持一致 4. "segmentation masks"译为"分割掩码"，采用计算机视觉标准译法 5. 长难句采用拆分重组策略，如将"limiting their capacity..."处理为因果句式"导致其难以..." 6. 数字单位、专业名称（如HalluSegBench）严格保留原文形式） | | 语言模型训练中的数据效能

（说明：根据学术翻译规范，此处采用直译与专业术语保留原则。"Data Efficacy"译为"数据效能"符合机器学习领域术语习惯，指数据在模型训练中的有效性和贡献度。"Language Model Training"采用行业通用译法"语言模型训练"。整体翻译简洁准确，符合中文科技文献表达规范。） | Yalun Dai | PDF | 数据是语言模型（LM）训练的基础要素。近期研究聚焦于数据效率领域，旨在通过选择最小或最优训练数据子集来实现性能最大化，其中数据过滤、采样与选择技术发挥着关键作用。作为补充，我们提出"数据效能"概念，其核心在于通过优化训练数据的组织结构来提升模型性能，该领域目前研究相对不足。本研究提出通用范式DELT，用于在语言模型训练中实现数据效能，该范式凸显了训练数据组织方式的重要性。DELT包含三大组件：数据评分、数据选择与数据排序。在数据评分方面，我们设计了"可学习性-质量双维评分"（LQS）这一创新方法，从梯度一致性的角度综合评估每个数据样本的可学习性与质量。在数据排序方面，我们提出"折叠排序法"（FO）这一新颖方案，有效解决了模型遗忘与数据分布偏差等问题。系统化实验验证了数据效能在语言模型训练中的价值，主要发现如下：首先，在不增加数据规模与模型参数量的前提下，DELT框架下的各类实现方案均能不同程度提升模型性能；其次，在各类方案中，采用LQS进行数据评分并结合折叠排序法的组合效果最为显著；最后，通过数据选择技术的应用，数据效能与数据效率可同步实现。因此我们认为，数据效能是语言模型训练中极具潜力的基础性研究方向。 | | DeOcc-1-to-3：基于自监督多视角扩散的单图像三维去遮挡技术

（翻译说明： 1. 专业术语处理： - "De-Occlusion"译为"去遮挡"，是计算机视觉领域的标准译法 - "Self-Supervised"译为"自监督"，符合机器学习术语规范 - "Multi-View Diffusion"译为"多视角扩散"，准确表达三维重建中的多视图生成技术

  1. 技术名称结构：
  2. 保留"DeOcc-1-to-3"原名称+中文解释的格式，符合学术论文标题惯例

  3. 使用冒号分隔主副标题，与原文结构保持一致

  4. 技术内涵传达：

  5. 通过"基于"字句明确技术方法的从属关系
  6. "单图像三维"的语序调整更符合中文表达习惯
  7. "扩散"后隐含"模型"二字，在不影响准确性的前提下使译文更流畅） | Yansong Qu | PDF | 从单幅图像重建三维物体是一个长期存在的挑战，尤其在现实世界存在遮挡的情况下。尽管近期基于扩散模型的新视角合成方法能够从单张RGB图像生成一致的多视角画面，但这些方法通常假设输入图像完全可见，当物体部分被遮挡时就会失效，导致生成视角不一致并降低三维重建质量。为突破这一限制，我们提出了一种端到端的遮挡感知多视角生成框架。该方法可直接从部分遮挡的单张图像中合成六个结构一致的新视角，无需依赖先验修复或人工标注即可支持下游三维重建任务。我们利用Pix2Gestalt数据集构建了自监督训练流程，通过遮挡-未遮挡图像对和伪真实视角数据，指导模型学习结构感知的补全与视角一致性。在不修改原始架构的前提下，我们对视角合成模型进行全参数微调，使其同步学习图像补全与多视角生成。此外，我们首次建立了遮挡感知重建的基准测试集，涵盖多种遮挡程度、物体类别和掩模模式，为未来方法在部分遮挡条件下的评估提供了标准化协议。项目代码已开源：https://github.com/Quyans/DeOcc123。

（注：根据学术翻译规范，对以下要点进行了专业处理： 1. "diffusion-based view synthesis models"译为"基于扩散模型的新视角合成方法"符合计算机视觉领域术语 2. "end-to-end"保留技术术语"端到端" 3. "self-supervised training pipeline"译为"自监督训练流程"准确体现机器学习特征 4. "pseudo-ground-truth"采用学界通用译法"伪真实" 5. 技术指标"six structurally consistent novel views"精确译为"六个结构一致的新视角" 6. 项目网址保留原始格式，符合学术论文引用规范） | | StruMamba3D：面向自监督点云表征学习的结构态Mamba模型探索

（翻译说明： 1. 专业术语处理： - "Structural Mamba"译为"结构态Mamba"，其中"structural"采用"结构态"的译法既保留计算机视觉领域对几何结构（structural）的特指，又通过"态"字体现该模型的状态空间特性 - "Self-supervised"统一译为学术标准译法"自监督" - "Point Cloud Representation Learning"译为"点云表征学习"，符合计算机图形学领域术语规范

  1. 技术概念传达：
  2. 标题中的"Exploring"译为"探索"而非字面的"研究"，更符合中文论文标题的简洁性要求

  3. 模型名称"StruMamba3D"保留英文原名+数字维度标识的格式，符合深度学习模型命名惯例

  4. 结构优化：

  5. 采用"面向...的..."句式替代原文介词结构，使技术路线更清晰
  6. 使用"模型"作为"Mamba"的补充说明，提升中文可读性） | Chuxin Wang | PDF | 近期，基于Mamba架构的方法通过采用具有高效上下文建模能力和线性复杂度的状态空间模型（SSM），在点云表征学习领域展现出卓越性能。然而，这些方法仍存在两个制约SSM潜力的关键问题：SSM处理过程中会破坏三维点云的邻接关系，且在下游任务输入长度增加时无法保持长序列记忆。为此，我们提出了一种新型自监督点云表征学习范式StruMamba3D，其优势体现在：首先，我们设计了空间状态代理机制以保持点云间的空间依赖关系；其次，通过状态智能更新策略增强SSM，并融合轻量级卷积促进空间状态交互，实现高效结构建模；第三，采用序列长度自适应策略有效降低了预训练Mamba模型对输入长度变化的敏感性。在四项下游任务中的实验结果表明，本方法具有显著性能优势。特别值得注意的是，在未采用投票策略的情况下，我们的方法在ModelNet40数据集上达到95.1%的准确率，在ScanObjectNN最具挑战性的数据划分上取得92.75%的准确率，均达到当前最先进水平（SOTA）。 | | WorldVLA：迈向自回归动作世界模型

（翻译说明： 1. 完整保留专业术语"World Model"的标准译法"世界模型" 2. "Autoregressive"采用计算机领域通用译法"自回归" 3. "Action"在此语境下译为"动作"更符合AI/机器人学惯例 4. 冒号后使用"迈向"动态对应"Towards"的学术前瞻性含义 5. 首字母缩略语"VLA"保持原貌不展开，符合中文论文标题处理规范 6. 整体采用"主标题+副标题"的学术标题结构，符合中文科技论文命名习惯） | Jun Cen | PDF | 我们提出WorldVLA——一种将动作与图像理解生成相统一的自回归动作世界模型。该模型创新性地将视觉-语言-动作（VLA）模型与世界模型整合至统一框架：世界模型通过协同利用动作与图像理解来预测未来图像，旨在学习环境底层物理规律以优化动作生成；同时动作模型基于图像观测生成后续动作，既辅助视觉理解又反哺世界模型的视觉生成。实验证明WorldVLA显著优于独立动作模型与世界模型，凸显了二者的协同增强效应。此外，我们发现动作模型在自回归生成动作序列时性能会逐步衰减，这源于模型对动作预测的泛化能力有限，导致早期动作误差会累积影响后续预测。针对该问题，我们提出注意力掩码策略——在生成当前动作时选择性屏蔽历史动作，该方案在动作块生成任务中展现出显著的性能提升。

（翻译说明： 1. 专业术语处理："autoregressive"译为"自回归"，"Vision-Language-Action"保留英文缩写并补充全称"视觉-语言-动作"，符合中文论文表述惯例 2. 长句拆分：将原文复合句按中文表达习惯分解为多个短句，如使用冒号引导解释性内容 3. 逻辑显化：通过"既...又..."、"协同"等措辞强化模型间的交互关系 4. 学术表达："phenomenon can be attributed to"转化为"源于"的简洁表述 5. 技术方案翻译："attention mask strategy"译为"注意力掩码策略"并补充破折号解释，确保专业性与可读性平衡） |

bioRxiv

标题 作者 PDF链接 摘要
非营养不良型和营养不良型肌强直小鼠模型表现出类似伤害可塑性疼痛的行为表现

（翻译说明： 1. "non-dystrophic and dystrophic myotonia"采用医学标准译法"非营养不良型和营养不良型肌强直" 2. "nociplastic pain"译为"伤害可塑性疼痛"，该术语是国际疼痛研究协会(IASP)2017年确立的新分类，指中枢神经系统敏化导致的疼痛 3. "behaviors"译为"行为表现"更符合中文实验动物学表述习惯 4. 语序调整为中文常见的"模型表现出...行为"结构 5. 保留连接词"和"体现两种模型的并列关系 6. 使用"类似"准确传达"-like"的语义，避免过度直译为"样"） | Nelson, T. S. | PDF | | | 建议将"The Open Pediatric Cancer Project"翻译为：

"开放儿科癌症研究计划"

翻译说明： 1. "Open"译为"开放" - 在学术语境中表示开源、公开共享的研究模式 2. "Pediatric Cancer"译为"儿科癌症" - 这是医学标准术语，比"儿童癌症"更专业准确 3. "Project"译为"研究计划" - 更符合中文科研项目的表达习惯，比直译"项目"更具学术性

备选方案： "开放式儿童肿瘤研究计划"（使用"肿瘤"更符合临床术语，但可能偏离cancer的直译）

该翻译严格遵循了： - 医学术语准确性原则 - 学术项目命名规范 - 中英学术对等原则 - 中文科研项目命名习惯

需要其他版本或调整请告知。 | Geng, Z. | PDF | | | 交配季节期间的活动模式可预测新发真菌感染中的性别差异易感性

（翻译说明：
1. "sex-biased infections"译为"性别差异易感性"，既保留"sex-biased"的生物学含义，又符合中文流行病学表述习惯
2. "emerging fungal disease"采用"新发真菌感染"的规范医学术语，比直译"新兴真菌疾病"更专业
3. 增译"预测"的宾语"易感性"以明确流行病学研究对象
4. 调整语序为中文典型的"时间状语+主谓宾"结构
5. 保留"activity patterns"作为核心变量的直译准确性） | Kailing, M. J. | PDF | | | 基于结构导向的瘿瘤微生物分泌组分析揭示效应蛋白多样性及进化机制

（翻译说明： 1. "Structure-guided"译为"基于结构导向的"，体现结构生物学研究方法的特征 2. "secretome analysis"译为"分泌组分析"，保留专业术语 3. "gall-forming microbes"译为"瘿瘤微生物"，准确表达诱导植物形成瘿瘤的病原体特性 4. "offers insights into"译为"揭示"，符合学术论文标题的简洁性要求 5. "effector diversity and evolution"译为"效应蛋白多样性及进化机制"，其中： - "effector"明确译为"效应蛋白"而非简单"效应子" - "evolution"增译为"进化机制"以完整传达研究深度 6. 整体采用学术论文标题常见的"主副标题"结构，符合中文期刊标题规范） | Mukhopadhyay, S. | PDF | | | 跑步机步态周期内速度变化诱发的肢体间协调性改变

（翻译说明： 1. "interlimb coordination"译为"肢体间协调性"，准确表达四肢协调运动的专业概念 2. "within-stride changes"译为"步态周期内变化"，采用运动生物力学专业术语 3. 将英文被动语态转换为中文主动语态，符合中文表达习惯 4. 添加"诱发"一词更准确传达实验因果关系 5. 整体采用"定语+中心词"结构，保持学术文本的严谨性 6. 保留"跑步机"专业设备名称不变 7. 使用"性"字结尾体现变量特征，符合中文科技术语构词规律） | Hall, B. L. | PDF | | | 新生儿初始CD4+ T细胞表达的CD38分子塑造其独特代谢状态及高免疫耐受潜能

（翻译说明： 1. 专业术语处理： - "naïve CD4+ T cells"译为"初始CD4+ T细胞"，采用免疫学标准译法 - "tolerogenic potential"译为"免疫耐受潜能"，准确传达免疫学概念 2. 句式重构： - 将英文被动语态"expression by"转化为中文主动态"表达的" - "shapes"译为"塑造"，保留拟人化表达的同时符合中文习惯 3. 形容词处理： - "distinct"译为"独特"而非"不同的"，突出显著性 - "high"译为"高"而非"强的"，更符合中文搭配习惯 4. 术语统一性： - 全文保持"CD38"不翻译，符合生物医学领域惯例 - "metabolic state"统一译为"代谢状态"，确保概念一致性） | Dwyer, L. R. | PDF | | | 外侧缰核神经元的多重簇发放电模式：实验与计算模型研究

翻译说明： 1. "Lateral Habenula"采用神经解剖学标准译名"外侧缰核"，该结构是边缘系统重要核团 2. "bursting patterns"译为"簇发放电模式"，准确反映神经元高频放电簇的特征性活动 3. 副标题结构处理为冒号分隔的并列关系，符合中文论文标题规范 4. 补充"研究"二字使标题更完整，体现实验与建模相结合的研究方法 5. 整体采用学术论文标题的简洁风格，专业术语与表达符合神经科学领域规范 | Fedorov, D. | PDF | | | 一种TNL受体介导拟南芥中微生物组的反馈作用

（翻译说明： 1. 专业术语处理： - "TNL receptor" 保留专业缩写"TNL"，补充"受体"明确其性质 - "Arabidopsis" 采用植物学规范译名"拟南芥" - "microbiome" 译为"微生物组"而非"微生物群落"，更符合当前微生物生态学术语

  1. 句式结构调整：
  2. 将英语被动语态"is mediated"转换为中文主动态"介导"

  3. 将介词短语"in Arabidopsis"提前至研究对象位置

  4. 概念准确性：

  5. "feedbacks"译为"反馈作用"而非简单"反馈"，强调其生物学过程特性

  6. 保留"介导"这一信号传导领域的标准用词

  7. 符合中文论文标题特征：

  8. 采用"一种...介导..."的经典研究结论表述句式
  9. 整体控制在20字以内的学术标题最佳长度） | Janse van Rensburg, H. | PDF | | | 泛素特异性肽酶11（USP11）与类泛素化修饰通过拮抗降解作用维持DNMT3A的稳定性及DNA甲基转移酶活性

（翻译说明： 1. 专业术语处理： - "Sumoylation"译为"类泛素化修饰"，符合《生物化学名词》标准译法 - "Ubiquitin-Specific Peptidase 11"采用《中国生物化学与分子生物学报》推荐译名"泛素特异性肽酶11" - "DNMT3A"保留英文缩写形式，符合遗传学术语规范

  1. 句式重构：
  2. 将英文被动语态转换为中文主动表述，更符合中文科技文献表达习惯
  3. 使用"通过...维持"的因果句式，准确传达分子机制

  4. "Countering Degradation"译为"拮抗降解作用"，既保留对抗性含义又体现生化过程

  5. 专业表达规范：

  6. 采用"甲基转移酶活性"而非直译"活性"，符合酶学命名原则
  7. 使用顿号连接并列的两种修饰方式，遵循中文标点使用规范
  8. 保持"稳定性"与"活性"的并列结构，体现分子生物学特性描述惯例） | Yonezawa, T. | PDF | | | PT150作为双重神经保护剂下调肌萎缩侧索硬化症神经内分泌系统中角蛋白的表达

（翻译说明： 1. 专业术语处理： - "Downregulation"译为"下调"，符合分子生物学规范 - "Keratin Proteins"译为"角蛋白"，采用细胞骨架蛋白标准译名 - "Neuroendocrine System"译为"神经内分泌系统"，保留解剖学术语准确性 - "Amyotrophic Lateral Sclerosis"采用医学界通用译名"肌萎缩侧索硬化症" - "Dual Neuroprotectant"译为"双重神经保护剂"，准确传达药物作用机制

  1. 句式结构调整：
  2. 将原文后置的"with PT150..."短语提前至主语位置，符合中文前置修饰语习惯
  3. 使用"作为"替代"with"更符合中文表达逻辑

  4. 将长定语"in the...system"转化为中文的"中"字结构

  5. 学术风格保持：

  6. 避免口语化表达，全篇使用专业书面语
  7. 精确对应原文每个科学概念
  8. 保持标题的简洁性和信息密度） | Dunakhe, S. | PDF | |

medRxiv

标题 作者 PDF链接 摘要
PDF
PDF
PDF
PDF
PDF
PDF
PDF
PDF
PDF
PDF