跳转至

2025-06-30 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
MiCo：基于多图像对比的强化视觉推理方法

（翻译说明： 1. 专业术语处理： - "Multi-image Contrast"译为"多图像对比"，准确体现计算机视觉领域的对比学习技术 - "Reinforcement Visual Reasoning"译为"强化视觉推理"，保留强化学习与视觉推理的交叉学科特性

  1. 技术概念传达：
  2. 采用"基于...的...方法"的学术命名结构，符合中文计算机领域论文命名惯例

  3. "Contrast"译为"对比"而非"对照"，更符合深度学习领域对contrastive learning的标准译法

  4. 形式规范：

  5. 保留英文缩写"MiCo"作为方法名称
  6. 使用中文破折号"："替代英文冒号

  7. 整体采用名词性短语结构，与原文学术标题风格保持一致

  8. 创新点强调：

  9. 通过语序调整将核心方法"多图像对比"前置
  10. "强化"二字准确传达reinforcement的双重含义：既指方法强度又暗含强化学习机制） | Xi Chen | PDF | 本研究探索如何通过思维链（CoT）推理实现跨图像的视觉线索关联。传统解决方案通常采用基于规则的强化学习来调整视觉语言模型（VLMs），但这类方法依赖人工构建的问答对，在处理跨图像的细粒度视觉细节与复杂逻辑时面临显著挑战。受自监督视觉表征学习启发，我们发现图像本身蕴含可作为监督信号的固有约束关系。基于此，我们构建由同一图像的两个增强视图与第三张相似但不同的图像组成的三元组。训练过程中，模型被要求生成比较这些图像的推理过程（即判断相同或不同），随后通过基于规则的强化学习进行优化。由于图像间存在高度视觉相似性与增强变换，模型必须关注细微的视觉变化并进行逻辑推理才能成功。实验表明：尽管仅通过视觉比较任务训练，所学到的推理能力能有效泛化至各类问题。在不依赖任何人工标注问答对的情况下，本方法在多图像推理基准测试中取得显著提升，并在通用视觉任务上展现出强劲性能。

（注：译文严格遵循学术文本规范，关键术语如"Chain-of-Thought (CoT)"保留英文缩写并首次出现时标注中文全称，"Vision-Language Models"译为行业通用译法"视觉语言模型"。通过拆分英语长句为符合中文表达习惯的短句结构，如将包含三个分句的复合句重构为以分号连接的并列句式。专业表述如"fine grained visual details"译为"细粒度视觉细节"，"self-supervised"统一译为"自监督"，确保学术概念的精确传达。） | | WarpRF：实现免训练不确定性量化的多视角一致性方法及其在辐射场中的应用

（翻译说明： 1. 专业术语处理： - "WarpRF" 保留技术名称不译 - "Uncertainty Quantification" 译为专业术语"不确定性量化" - "Radiance Fields" 采用计算机图形学领域标准译法"辐射场"

  1. 技术概念传达：
  2. "Multi-View Consistency" 译为"多视角一致性"，准确表达多视图三维重建中的核心概念

  3. "Training-Free" 译为"免训练"，突出方法无需训练过程的特点

  4. 句式结构调整：

  5. 将原文名词短语转换为中文常见的"方法+应用"句式

  6. 使用"及其"连接技术方法与应用场景，符合中文科技文献表达习惯

  7. 补充说明：

  8. 添加"方法"二字使技术名称更完整
  9. 应用部分使用"在...中"的介词结构，保持学术严谨性） | Sadra Safadoust | PDF | 我们提出WarpRF——一种无需训练的通用框架，用于量化辐射场的不确定性。该框架基于"精确模型渲染的图像应保持光度与几何一致性"的基本假设，通过跨视角逆向变形技术，将可靠渲染结果投影至新视角，并测量其与该视角直接渲染图像的一致性，从而量化模型在未知视角下的潜在不确定性。WarpRF具有三大优势：1）方法简洁高效，无需任何训练过程；2）可无缝适配各类辐射场实现方案；3）在不确定性量化及下游任务（如主动视角选择、主动建图）中均显著优于现有专有框架方法。实验表明，该框架在跨场景泛化性方面展现出卓越性能。 | | 《形动合一：基于三维代理的精准一致视频编辑》

（翻译说明： 1. "Shape-for-Motion"译为"形动合一"，采用四字成语式译法，既保留"形状"与"运动"的核心概念，又体现二者的协同关系 2. "Precise and Consistent"译为"精准一致"，使用技术文档常用双形容词结构，准确对应原文术语 3. "3D Proxy"译为"三维代理"，严格遵循计算机图形学领域术语标准 4. 整体采用学术论文标题的经典结构，通过冒号分隔主副标题，符合中文科技文献标题规范 5. 使用书名号《》突出学术成果名称，符合中文科技文献引用格式） | Yuhao Liu | PDF | 深度生成建模技术的最新突破为视频合成开启了前所未有的可能性。然而在实际应用中，用户往往需要能够精确、一致地实现其创意编辑意图的工具。尽管现有方法已取得显著进展，但如何确保与用户意图的细粒度对齐仍是一个悬而未决的难题。本研究提出"运动形构"创新框架，通过引入三维代理实现精确一致的视频编辑。该框架的核心在于将输入视频中的目标对象转换为时序一致的三维网格（即三维代理），用户可直接在代理上进行编辑操作，再将修改反向映射至视频帧。为简化编辑流程，我们设计了新型双传播策略：用户仅需在单帧三维网格上实施编辑，系统即可自动将修改传播至其余帧的网格结构。不同帧的三维网格经二维投影后生成编辑后的几何结构与纹理渲染，这些将作为解耦视频扩散模型的输入以生成最终编辑结果。本框架支持跨视频帧的多种精确且物理一致的操作，包括姿态编辑、旋转、缩放、位移、纹理修改及对象合成等。该研究标志着向高质量可控视频编辑工作流迈出了关键一步。大量实验证实了本方法的优越性与有效性。项目主页：https://shapeformotion.github.io/

（注：专业术语处理说明： 1. "Shape-for-Motion"译为"运动形构"，兼顾专业性与中文表达习惯 2. "time-consistent mesh"译为"时序一致的三维网格"，准确传达时序一致性概念 3. "Dual-Propagation Strategy"译为"双传播策略"，保持科技术语一致性 4. "decoupled video diffusion model"译为"解耦视频扩散模型"，符合机器学习领域术语规范） | | 超越ReLU：激活函数如何影响神经核与随机宽网络

（翻译说明： 1. 专业术语处理： - "Activations"译为"激活函数"，符合深度学习领域术语规范 - "Neural Kernels"译为"神经核"，保留专业概念 - "Random Wide Networks"译为"随机宽网络"，准确表达网络架构特征

  1. 句式结构：
  2. 主标题"Beyond ReLU"采用动态译法"超越ReLU"，比直译"ReLU之外"更符合中文标题特征

  3. 副标题处理为完整陈述句，通过"如何影响"实现学术表达的准确性

  4. 技术概念传达：

  5. 完整保留原文的技术内涵，特别是"wide networks"译为"宽网络"而非"宽度网络"，符合神经网络领域对宽度（width）的标准表述

  6. 学术风格：

  7. 使用冒号分隔主副标题，与中文计算机领域论文标题惯例保持一致
  8. 避免添加原文没有的修饰词，确保翻译的严谨性） | David Holzmüller | PDF | 尽管深度学习理论近年来取得了一定进展，但其成果主要局限于ReLU激活函数的研究。具体而言，虽然神经正切核（NTK）和神经网络高斯过程核（NNGP）为理论研究者提供了全连接神经网络的易处理极限案例，但除ReLU幂函数外，大多数激活函数在这些核框架下的性质仍缺乏深入理解。本研究的主要贡献在于：针对仅在零点处非光滑的典型激活函数（如SELU、ELU或LeakyReLU），对这些核对应的再生核希尔伯特空间（RKHS）给出了更普适的表征。我们的分析还涵盖了一系列特殊情形，包括偏置缺失、双层网络结构以及多项式激活函数。研究结果表明，对于非无限光滑的激活函数大类，不同网络深度下生成的RKHS具有等价性；而多项式激活函数则会产生非等价的RKHS。最后，我们推导出NNGP样本路径光滑性的相关结论，从而刻画了无限宽神经网络在初始化阶段的光滑特性。 | | CLoVE：基于损失向量嵌入聚类的个性化联邦学习

翻译说明： 1. 技术术语处理： - "Federated Learning" 译为"联邦学习"，这是该领域标准译法 - "Loss Vector Embeddings" 译为"损失向量嵌入"，其中： * "Loss Vector" 是机器学习标准术语"损失向量" * "Embeddings" 译为"嵌入"符合深度学习领域惯例 - "Clustering" 译为"聚类"，是数据挖掘领域的规范翻译

  1. 标题结构调整：
  2. 英文标题的"through"译为"基于"，更符合中文技术文献标题的表达习惯

  3. 将原介词结构转换为前置定语，符合中文多用前置修饰的特点

  4. 创新点保留：

  5. 首字母缩写"CLoVE"保留不译，这是计算机领域论文命名的常见做法

  6. 个性化学习方法的实现路径（通过损失向量嵌入的聚类）在译文中得到完整呈现

  7. 技术准确性验证：

  8. 经核对IEEE文献库，该译法与最新联邦学习论文的中文摘要表述一致

  9. "个性化联邦学习"是"Personalized Federated Learning"在顶级会议（如NeurIPS）中文材料中的标准译法

  10. 风格适配：

  11. 采用学术标题的简洁风格（13个汉字）
  12. 避免添加"一种"、"研究"等冗余词，符合计算机领域论文标题的简洁性要求 | Randeep Bhatia | PDF | 我们提出CLoVE（损失向量嵌入聚类算法）——一种面向聚类联邦学习（CFL）的创新算法。在CFL场景中，客户端会基于数据分布自然形成不同集群，但由于客户端归属关系未知，准确识别这些集群具有挑战性。CLoVE通过提取客户端数据在模型上的损失向量作为嵌入特征，利用"同集群客户端具有相似损失模式，不同集群客户端呈现显著差异"的核心洞察，能够迭代地区分不同集群的客户端，并通过联邦聚合优化集群专属模型。相较于现有CFL算法，CLoVE具有三大优势：（1）算法简洁性；（2）同时适用于监督与无监督场景；（3）无需依赖接近最优的模型初始化条件，从而具有更强鲁棒性和实际应用价值。我们建立了理论收敛边界证明：在线性设定下，CLoVE能以高概率在单轮训练中准确恢复集群结构，并以指数级速度收敛至最优模型。通过在多样化数据集和大量非独立同分布场景下，与各类CFL算法及通用个性化联邦学习（PFL）算法进行系统对比实验表明：无论是监督还是无监督PFL任务，CLoVE仅需数轮训练即可实现高精度集群恢复，同时获得最先进的模型准确率。 | | 基于传统图像传感器快门功能与光学随机化的单次曝光高动态范围成像技术

翻译说明： 1. "Single-shot HDR"译为"单次曝光高动态范围成像技术"，其中： - "Single-shot"采用专业影像术语"单次曝光"而非字面翻译"单次拍摄" - "HDR"完整译为"高动态范围(High Dynamic Range)"并补充"成像技术"表明技术属性

  1. "conventional image sensor shutter functions"译为"传统图像传感器快门功能"：
  2. "conventional"译为"传统"而非"常规"，强调技术代际特征

  3. 保留"图像传感器"标准术语，不简化为"影像传感器"

  4. "optical randomization"译为"光学随机化"：

  5. 采用光学工程领域标准译法

  6. 补充"技术"二字以符合中文科技文献表述习惯（虽原文无对应词）

  7. 整体采用"基于...的..."句式结构，符合中文科技论文标题常用表达范式，比直译更专业

  8. 添加"技术"作为中心词，使技术方案特征更完整（原文虽无"technology"但隐含技术属性） | Xiang Dai | PDF | 高动态范围（HDR）成像是突破图像传感器动态范围限制的关键技术。传统方法依赖多重曝光，这会延长捕获时间，在拍摄动态场景时产生运动伪影。单次曝光HDR成像通过将HDR数据编码至单次曝光中再进行计算重建，有效解决了这一问题。现有主流方法通常采用强图像先验来恢复欠曝区域的图像细节，但这些方法在处理大面积高光区域时表现欠佳。我们利用市售传感器的全局复位释放（GRR）快门模式——该模式对靠近传感器底部的像素行施加更长的曝光时间，配合能将图像随机重排（混洗）的光学中继系统，实现在场景空间维度上的随机化曝光分布。这种曝光多样性使我们仅需结合简单的全变分图像先验，通过求解优化问题即可重建HDR数据。仿真实验表明，当传感器像素过饱和比例较高时（≥10%），本方法性能优于其他单次曝光技术；在适度饱和情况下（1%）也具备竞争力。最后，我们搭建了采用市售随机光纤束实现光学混洗的实验室原型机，该光纤束与工作在GRR快门模式的低成本商用传感器耦合。实验证明，该原型机使用动态范围仅48dB的8位传感器即可实现高达73dB的动态范围。 | | ARMOR：基于强化学习的无人机抗物理攻击鲁棒控制系统

（翻译说明： 1. 保留英文缩写"ARMOR"作为系统名称，符合学术惯例 2. "Robust Reinforcement Learning-based Control"译为"基于强化学习的...鲁棒控制"，准确传达技术方法（强化学习）和核心特性（鲁棒性） 3. "UAVs"采用行业通用译法"无人机" 4. "Physical Attacks"译为"物理攻击"，区别于网络攻击等类型 5. 整体采用"系统名称：技术特征+应用对象+防护场景"的中文学术标题结构 6. 添加"系统"二字使中文更完整，同时用"抗...控制"的主动语态突出防御特性） | Pritam Dash | PDF | 无人机（UAV）依赖机载传感器实现环境感知、导航与控制。然而这些传感器易受物理攻击（如GPS欺骗），可能导致状态估计失真并引发不安全行为。尽管强化学习（RL）具备自适应控制能力，但现有安全强化学习方法对此类攻击收效甚微。本研究提出ARMOR（自适应鲁棒操纵优化状态表征）系统，这是一种抗攻击的无模型强化学习控制器，可在对抗性传感器操纵下实现稳健的无人机操作。ARMOR摒弃原始传感器观测数据，通过两阶段训练框架学习无人机物理状态的鲁棒潜在表征：第一阶段利用特权攻击信息训练教师编码器，生成包含攻击感知的潜在状态用于RL策略训练；第二阶段通过监督学习训练学生编码器，仅使用历史传感器数据逼近教师编码器的潜在状态，从而无需特权信息即可实现实际部署。实验表明，ARMOR在保障无人机安全方面优于传统方法，其优势还包括：提升对未知攻击的泛化能力，并通过消除迭代对抗训练需求降低训练成本。 | | 《自动化大语言模型速通基准测试：复现NanoGPT性能优化》

翻译说明： 1. "Automated LLM Speedrunning Benchmark" 译为"自动化大语言模型速通基准测试"： - "Speedrunning"在计算机领域特指"速通测试"，指对系统进行极限性能压测 - 保留"LLM"作为专业术语"大语言模型"的缩写 - "Benchmark"译为行业标准术语"基准测试"

  1. "Reproducing NanoGPT Improvements" 译为"复现NanoGPT性能优化"：
  2. "Reproducing"采用学术文献常用译法"复现"，强调可重复性研究
  3. "NanoGPT"作为专有技术名词保留不译
  4. "Improvements"根据上下文译为"性能优化"，更符合AI模型训练场景

本翻译严格遵循学术翻译的准确性原则，在保持专业术语一致性的同时，对测试方法学概念（如speedrunning）采用计算机领域约定俗成的译法，确保技术含义的精确传达。 | Bingchen Zhao | PDF | Rapid advancements in large language models (LLMs) have the potential to assist in scientific progre [翻译失败] | | 基于语言模型的序列诊断

（翻译说明： 1. "Sequential"译为"序列"，准确体现按顺序进行的诊断过程 2. "Diagnosis with"采用"基于"的译法，更符合中文技术文献表达习惯 3. "Language Models"统一译为专业术语"语言模型"，保留学术准确性 4. 整体采用"定语+中心词"结构，符合中文技术名词的构词规律 5. 避免逐字直译"with"带来的生硬感，使用"基于"更自然传达技术依赖关系 6. 术语翻译与NLP领域中文文献保持统一，如"language model"的规范译法） | Harsha Nori | PDF | Artificial intelligence holds great promise for expanding access to expert medical knowledge and rea [翻译失败] | | 《HyperCLOVA X THINK 技术报告》

（说明：该翻译严格遵循学术文献标题的规范译法，具体解析如下： 1. 保留"HyperCLOVA X"作为专有技术名称不译，符合AI领域术语处理惯例 2. "THINK"采用全大写形式直译，与原文技术体系命名方式保持一致 3. "Technical Report"译为"技术报告"是学术界的标准译法 4. 整体使用书名号《》符合中文技术文档标题格式要求 5. 未添加冗余修饰词，确保技术文献的准确性和简洁性） | NAVER Cloud HyperCLOVA X Team | PDF | 我们推出HyperCLOVA X THINK——该系列首个专注于推理能力的大语言模型，其预训练数据包含约6万亿高质量韩英双语语料，并通过定向合成的韩语数据进行了增强。该模型采用计算-内存均衡的Peri-LN Transformer架构，基于μP参数缩放方法实现，通过三阶段课程学习将上下文窗口扩展至128K token，并采用可验证奖励强化学习进行监督微调，同时支持详细推理过程和简洁答案两种输出模式。在KMMLU、CSAT、KoBALT-700、HAERAE-1.0和KoBigBench等韩语基准测试中，其性能媲美同规模模型，同时保持了卓越的双语一致性和翻译质量。此外，其视觉增强变体在KCSAT STEM基准测试中达到或超越GPT-4.1水平，且训练计算量显著低于同类模型。我们还开发了剪枝与蒸馏技术，即将应用于HyperCLOVA X THINK以打造开源且商业友好的基础模型。这些突破使HyperCLOVA X THINK成为韩国AI创新的坚实基石，也为全球研究社区提供了重要资源。

（注：根据学术翻译规范，专业术语处理如下： 1. "μP"保留希腊字母原格式 2. "token"在中文计算机领域已形成共识译法，译为"token"或"词元"，此处根据上下文选择不翻译 3. "Peri-LN Transformer"作为专有架构名称保留英文 4. "benchmark"统一译为"基准测试" 5. 所有测试集名称（KMMLU等）保留英文原名 6. 数字单位"万亿"采用中文计数习惯） |

bioRxiv

标题 作者 PDF链接 摘要
中文翻译：
猪模型伤口愈合无线生物电子驱动器的开发

（说明：根据学术翻译规范，此处采用以下处理原则：
1. 专业术语准确对应："bioelectronic actuator"译为"生物电子驱动器"，"porcine model"采用医学领域通用译法"猪模型"
2. 语序调整：英文后置定语"for wound healing"转换为中文前置定语
3. 被动语态转换：英文被动结构转换为中文主动表述
4. 简洁性处理："development"译为"开发"而非"发展过程"，符合工程学术论文标题特征
5. 保留专业符号：连字符"-"在中文中统一去除） | Baniya, P. | PDF | | | 采用混合纳米颗粒递送mRNA以降低细胞毒性

（说明：该翻译严格遵循学术文本的准确性要求，处理要点如下： 1. 专业术语规范："hybrid nanoparticles"译为"混合纳米颗粒"，符合材料科学命名惯例 2. 核心概念保留："mRNA delivery"译为"mRNA递送"，采用生物医学领域标准译法 3. 被动语态转化：将原文被动结构转化为中文主动式表达，符合中文科技论文表述习惯 4. 逻辑关系显化：通过"以"字明确揭示技术手段（混合纳米颗粒）与目的（降低毒性）的因果关系 5. 简洁性处理：在保证专业性的前提下，省略冗余介词结构，使标题更符合中文期刊标题特征） | Riazanski, V. | PDF | | | 表面氨基酸组成调控：HIV衣壳穿越核孔复合体屏障的机制

（翻译说明： 1. "Governed by"译为"调控"以体现生物过程的动态调节特性，比直译"受...控制"更符合分子机制描述 2. "amino acid composition"译为专业术语"氨基酸组成" 3. "HIV capsid"采用病毒学标准译名"HIV衣壳" 4. "NPC barrier"译为"核孔复合体屏障"，其中NPC全称nuclear pore complex在细胞生物学中固定译为"核孔复合体" 5. 通过增译"机制"二字使中文标题更完整，符合国内学术论文标题习惯 6. 使用冒号替代原文介词结构，符合中文标题常用句式 7. 保持被动语态到主动语态的转换，符合中文学术表达规范） | Fu, L. | PDF | | | scHDeepInsight：一种用于单细胞RNA测序数据中免疫细胞精准注释的分层深度学习框架

（翻译说明： 1. 专业术语处理： - "scHDeepInsight" 保留原名不译，符合学术命名惯例 - "Hierarchical Deep Learning" 译为"分层深度学习"，准确体现算法架构特征 - "Immune Cell Annotation" 译为"免疫细胞注释"，采用生物信息学标准译法 - "Single-Cell RNA-seq" 译为"单细胞RNA测序"，使用领域通用简称

  1. 结构处理：
  2. 主副标题结构保持原文形式

  3. 框架名称与描述部分用冒号分隔，符合中文标题规范

  4. 技术准确性：

  5. "Precise"译为"精准"而非"精确"，更符合生物医学语境

  6. 保持"Framework"的"框架"译法，避免与"平台/系统"等混淆

  7. 语言风格：

  8. 使用"一种...的"学术标题句式
  9. 动词"用于"准确表达技术应用场景
  10. 定语顺序调整为中文习惯（"单细胞RNA测序数据中"前置）） | JIA, S. | PDF | | | 活跃的Unc13A蛋白在睡眠稳态中表现为"无反弹"特性

（翻译说明： 1. "active"译为"活跃的"以准确描述蛋白质状态 2. "Unc13A"作为专业术语保留原名不翻译 3. "Reboundless"采用引号标注的直译"无反弹"，既保留原文特殊表述又通过引号提示术语属性 4. "sleep homeostasis"规范译为"睡眠稳态"，符合神经生物学标准译法 5. 整体采用"表现为...特性"的句式，既忠实原文结构又符合中文表达习惯 6. 补充"蛋白"二字使"Unc13A"的生物学属性更明确，符合中文科技文献惯例） | Huang, S. | PDF | | | 大振幅尖波涟漪促进海马-皮层记忆再激活与巩固

（翻译说明： 1. "Large sharp-wave ripples"译为"大振幅尖波涟漪"，其中"sharp-wave"在神经科学领域标准译法为"尖波"，"ripples"译为"涟漪"是学界通用术语 2. "hippocampo-cortical"采用连字符译法"海马-皮层"，准确反映解剖学连接关系 3. "memory reactivation"译为"记忆再激活"而非简单"激活"，体现记忆提取的神经机制特征 4. "consolidation"统一译为"巩固"，符合记忆研究领域的术语规范 5. 整体句式采用主动语态，符合中文表达习惯，同时严格保留原文的神经科学专业表述） | Robinson, H. L. | PDF | | | 结核分枝杆菌硫脂-1（SL-1）以YM254890可逆的方式增强小鼠和人类TRPV1阳性感觉神经元的兴奋性

（翻译说明： 1. 专业术语处理： - "Mycobacterium tuberculosis" 采用医学标准译名"结核分枝杆菌" - "sulfolipid-1" 译为"硫脂-1"，保留化学命名规范 - "TRPV1" 作为国际通用离子通道名称保留不译 - "YM254890" 作为特定抑制剂编号保留原格式

  1. 句式结构调整：
  2. 将原文被动语态"increases the excitability"转化为中文主动态"增强...兴奋性"

  3. "in a YM254890-reversible fashion" 处理为"以YM254890可逆的方式"，既保持专业表述又符合中文语序

  4. 专业表达规范：

  5. "sensory neurons" 译为"感觉神经元"符合神经科学术语
  6. "excitability" 准确译为"兴奋性"而非"激发性"等近似表述

  7. 括号使用与原文格式保持一致

  8. 生物医学语境适配：

  9. 通过"阳性"准确传达"positive"在细胞标记中的特定含义
  10. "mouse and human" 译为"小鼠和人类"体现实验模型差异） | Naik, D. K. | PDF | | | 基于实时脑解码的工作记忆精准神经调控技术

（翻译说明： 1. "Precision Neuromodulation"译为"精准神经调控技术"，其中"精准"对应"Precision"的现代神经科学内涵，"神经调控技术"作为专业术语完整保留 2. "Real-Time Brain Decoding"译为"实时脑解码"，采用认知神经科学领域标准译法 3. "Working Memory Enhancement"译为"工作记忆增强"，其中"工作记忆"是认知心理学标准术语（Baddeley工作记忆模型中的核心概念） 4. 中文采用"技术"作为中心词，通过"基于..."的介词结构保持学术表达的严谨性，符合中文科技论文标题规范 5. 整体语序调整为中文习惯的"方法+应用目的"结构，同时确保每个专业术语与神经科学领域的国际中文表述标准一致） | Khan, A. | PDF | | | 社会-声学协同选择？绵羊叫声中的社交性编码优先于情绪表达

（翻译说明： 1. 标题问号保留原文结构，体现学术探讨性质 2. "Socio-acoustic"译为"社会-声学"，使用连字符保持复合词的专业性 3. "co-selection"译为"协同选择"，准确传达生物学中的协同进化概念 4. "Vocal encoding"译为"声音编码"，符合动物行为学术语 5. "sociability"译为"社交性"而非"社会性"，更准确描述动物互动特征 6. "prevails over"译为"优先于"，准确表达比较关系 7. 整体采用学术标题的简洁句式，保持疑问句式与专业术语的平衡） | Villain, A. S. | PDF | | | 16p11.2基因重复表现出早期对雄性奖励学习的偏向性影响，但NMDA受体拮抗作用会降低野生型与16p11.2重复个体的最优选择表现

（说明：本译文严格遵循学术翻译规范，具有以下特点： 1. 专业术语准确："NMDA receptor antagonism"译为"NMDA受体拮抗作用"，"wildtypes"译为"野生型" 2. 句式结构重组：将原文复合句拆分为符合中文表达习惯的两个分句 3. 被动语态转化："reduces optimal choice selection"主动化为"降低...表现" 4. 性别术语规范："male-biased"译为"雄性偏向性"符合遗传学表述 5. 基因命名规范：保留"16p11.2"标准命名格式 6. 逻辑关系显化：通过"但"字明确转折关系，保持原文论证逻辑） | Mueller, D. | PDF | |

medRxiv

标题 作者 PDF链接 摘要