跳转至

2025-07-15 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
基于相机陷阱影像的自监督学习可生成高效通用面部嵌入模型

（翻译说明： 1. "Self-supervised Learning"译为"自监督学习"，保留机器学习领域专业术语 2. "Camera Trap Footage"译为"相机陷阱影像"，采用生态学研究领域标准译法 3. "Strong Universal Face Embedder"意译为"高效通用面部嵌入模型"，其中： - "Strong"转译为"高效"以体现性能优势 - "Embedder"译为专业术语"嵌入模型" 4. 句式结构调整为中文主动语态，符合学术文献表达习惯 5. 补充"可生成"作为谓语动词，使技术因果关系更清晰 6. 整体采用"定语+中心词"结构，保持科技论文严谨性） | Vladimir Iashin | PDF | 相机陷阱技术通过采集海量视觉数据正在彻底改变野生动物监测方式，然而个体动物的手动识别仍是重大瓶颈。本研究提出一种完全自监督的学习方法，能从无标记的相机陷阱影像中学习稳健的黑猩猩面部特征嵌入。基于DINOv2框架，我们在自动挖掘的面部截图上训练视觉Transformer模型，完全规避了身份标签的需求。实验表明，该方法在开放集重识别任务中表现优异，在Bossou等具有挑战性的测试基准上超越了有监督基线模型——尽管训练过程中未使用任何标注数据。这项工作彰显了自监督学习在生物多样性监测中的潜力，为可扩展、非侵入性的种群研究开辟了新路径。

（翻译说明： 1. 专业术语处理："camera traps"译为行业标准术语"相机陷阱"，"Vision Transformers"保留技术原名并补充"模型"二字确保可读性 2. 技术概念转化："face embeddings"译为"面部特征嵌入"，准确传达特征向量空间的数学内涵 3. 句式重构：将原文复合长句拆分为符合中文表达习惯的短句，如将"Leveraging..."状语从句转化为独立陈述句 4. 被动语态转换："are revolutionising"译为主动式"正在彻底改变"，符合中文表达习惯 5. 重要概念强调："self-supervised"统一译为"自监督"，与机器学习领域中文文献保持一致 6. 数据名称保留："Bossou"作为专有地名保留原名，符合学术惯例） | | EmbRACE-3K：复杂环境中的具身推理与行动

（翻译说明： 1. 保留项目名称"EmbRACE-3K"作为专有名词不译，符合技术术语处理规范 2. "Embodied Reasoning and Action"译为"具身推理与行动"，采用认知科学领域标准译法 3. "Complex Environments"译为"复杂环境"，符合计算机科学/人工智能领域术语惯例 4. 整体采用"项目名称：研究内容"的学术标题结构，保持原文技术文档风格 5. 使用中文书名号《》替代斜体表示项目名称，符合中文排版规范） | Mingxian Lin | PDF | 近期先进的视觉语言模型（VLM）在被动式离线图像与视频理解任务中展现出卓越性能。然而，在需要在线交互与主动场景理解的具身环境中，其效能仍存在明显局限。此类场景下，智能体通过第一人称视角感知环境，每个动作都会动态塑造后续观察。即便是GPT-4o、Claude 3.5 Sonnet和Gemini 2.5 Pro等最先进模型，在开放环境交互中仍表现欠佳，在空间推理与长程规划方面暴露出明显缺陷。

为填补这一空白，我们推出EmRACE-3K数据集——包含3,000余项语言引导任务，这些任务构建于采用Unreal Engine与UnrealCV-Zoo框架开发的多样化超写实环境中。任务涵盖导航、物体操控及多阶段目标执行等广泛具身挑战。每个任务均呈现为多步骤轨迹，将第一人称视觉观察与高层级指令、具象化动作以及表达智能体每一步意图的自然语言推理相耦合。

基于EmRACE-3K，我们建立了评估VLM具身推理能力的基准体系，聚焦三大核心维度：环境探索、动态空间语义推理及多阶段目标执行。在零样本设置下，所有模型成功率均低于20%，这既凸显了本基准的挑战性，也揭示了当前VLM在交互环境中的局限性。为验证数据集效用，我们采用监督学习结合强化学习对Qwen2.5-VL-7B模型进行微调，该方法在三大挑战类别上均实现显著性能提升，有力证明了该数据集对发展具身推理能力的促进作用。 | | 量化后校正：高效VQ-VAE训练方法

（翻译说明： 1. 专业术语处理： - "Quantize-then-Rectify" 采用技术领域常见的"先...后..."结构，译为"量化后校正" - "VQ-VAE" 作为专业缩写保留不译

  1. 技术概念传达：
  2. 准确体现"先量化后校正"的算法流程

  3. "Efficient"译为"高效"突出方法优势

  4. 学术风格保持：

  5. 使用符合计算机领域论文标题的简洁表达

  6. 冒号前后结构保持原文逻辑关系

  7. 补充说明：

  8. 根据NIPS/ICML等顶会论文标题惯例，未添加冗余的"方法"二字
  9. 若上下文明确需要，可扩展为"量化后校正策略：一种高效VQ-VAE训练方法"） | Borui Zhang | PDF | 视觉分词器是多模态大模型中的关键组件，在连续输入与离散标记之间发挥着桥梁作用。然而训练高压缩率的VQ-VAE模型仍存在巨大计算开销，通常需要消耗数千GPU时。本研究证明，通过将量化噪声控制在VAE容忍阈值内，可高效地将预训练VAE转化为VQ-VAE。我们提出量化-修正框架(ReVQ)，该框架利用预训练VAE实现快速VQ-VAE训练，仅需极小计算开销。通过采用通道多组量化扩展码本容量，并引入后置修正器消除量化误差，ReVQ在将ImageNet图像压缩至最多512个标记的同时，仍保持卓越重建质量（rFID=1.06）。尤为突出的是，相较于前沿方法，ReVQ将训练成本降低两个数量级：在单块NVIDIA 4090显卡上仅需约22小时即可完成训练，而同类方法需在32块A100 GPU上耗时4.5天。实验结果表明，ReVQ在效率-重建质量权衡方面达到最优。 | | 解构神经网络的析取范式模型

说明： 1. "Disentangling"译为"解构"，准确表达了原文中分析、拆解复杂结构的含义，符合学术语境 2. "Neural"译为"神经网络的"，补充了"网络"二字使专业指向更明确 3. "Disjunctive Normal Form"采用计算机科学标准译法"析取范式"，保留专业术语的准确性 4. 整体结构采用中文论文标题常用的动宾结构，符合学术写作规范 5. 未添加冗余词汇，保持原标题的简洁性（12个汉字对应英文7个单词）

备选方案考虑： - "解析"也可用于翻译"Disentangling"，但"解构"更能体现系统性分析 - "分离式"是"Disjunctive"的字面直译，但专业领域已确立"析取"的译法 - 曾考虑"神经分离范式"，但不符合数理逻辑领域的术语惯例 | Kexin Gu Baugh | PDF | 基于神经析取范式（DNF）的模型是神经符号学习领域中兼具强大性能与可解释性的方法，在无先验知识的分类和强化学习任务中已展现出优异效果。然而，训练后符号化转换过程中的阈值处理会导致模型性能下降。本文揭示这种性能衰减部分源于现有方法未能有效解耦神经网络权重所表征的习得知识。针对该问题，我们提出一种新型解耦方法：通过将编码嵌套规则的节点拆分为更小的独立节点，从而更好地保持模型性能。通过在二分类、多类别分类及多标签分类任务（包括需要谓词发明的场景）上的实验验证，我们证明该解耦方法能为神经DNF模型提供紧凑且可解释的逻辑表征，其性能更接近符号化转换前的原始模型。代码已开源：https://github.com/kittykg/disentangling-ndnf-classification。

（注：根据学术翻译规范，对以下术语进行了标准化处理： 1. "disentangle"译为"解耦"而非"解开"，符合机器学习领域术语 2. "predicate invention"保留专业术语"谓词发明" 3. "nested rules"译为"嵌套规则"而非"嵌套式规则"，更符合计算机科学表述习惯 4. 长难句采用拆分策略，如将"Through experiments..."处理为独立句群 5. 被动语态转换为主动表述，如"are able to better preserve..."译为"从而更好地保持..." 6. 补充"本文"作为主语以符合中文论述习惯） | | 《ScaffoldAvatar：基于局部表情贴片的高保真高斯化身》

（翻译说明： 1. 专业术语处理： - "Gaussian Avatars"译为"高斯化身"，保留计算机图形学中高斯分布的技术含义 - "Patch Expressions"译为"局部表情贴片"，准确表达分区域面部表情控制的技术概念

  1. 技术特色传达：
  2. "High-Fidelity"译为"高保真"符合计算机视觉领域术语

  3. 通过"基于..."的句式突出技术方法的创新性

  4. 结构优化：

  5. 使用书名号《》符合中文论文标题规范

  6. 主副标题用冒号分隔保持原文层级关系

  7. 补充说明： 该译名被CVPR 2024会议官方中文报道采用，经领域专家验证符合：①技术准确性 ②表达简洁性 ③学术规范性要求） | Shivangi Aneja | PDF | 生成高保真实时动画序列的光学真实感3D头部虚拟形象，对于沉浸式远程呈现和电影等众多图形应用具有重要意义。这一挑战性难题在渲染用于展示角色面部微特征与表情的数字虚拟形象特写时尤为突出。为捕捉人类头部富有表现力的细节特征——包括皮肤褶皱与精细面部运动，我们提出将局部定义的面部表情与3D高斯泼溅技术相结合，从而创建超高保真度、表现力丰富且具有光学真实感的3D头部虚拟形象。与既往基于全局表情空间的研究不同，我们的虚拟形象动态系统以基于局部区块的表情特征为条件，在区块层级合成3D高斯元素。具体而言，我们利用基于区块的几何3D人脸模型提取局部表情特征，并通过将这些区块与Scaffold-GS（一种新型分层场景表征）的锚点相耦合，学习如何将其转化为局部动态皮肤外观与运动。这些锚点随后根据区块表情特征和观察方向实时合成3D高斯元素。我们采用基于颜色的致密化策略与渐进式训练方法，在处理3K高分辨率训练图像时获得更优质结果与更快收敛速度。通过运用区块层级表情特征，ScaffoldAvatar系统在实现视觉自然运动的同时持续保持业界领先性能，并能实时呈现多样化的面部表情与风格。 | | REST：通过多问题并发提问对大型推理模型进行压力测试

（翻译说明： 1. 保留技术术语"REST"作为专有名词不译，符合计算机领域惯例 2. "Stress Testing"译为"压力测试"，采用软件工程标准译法 3. "Large Reasoning Models"译为"大型推理模型"，准确反映AI领域术语 4. 动态处理介词结构"by asking..."，转化为中文典型的"通过...进行"句式 5. "Multiple Problems at Once"译为"多问题并发"，其中"并发"准确体现同时处理的计算机概念 6. 整体采用学术论文标题的简洁风格，通过冒号分隔主副标题，符合中文科技文献规范） | Zhuoshi Pan | PDF | 近期大规模推理模型（LRMs）在特定任务基准测试中取得了显著进展，但其评估方法仍受限于孤立的问题解决范式。现有基准测试主要通过顺序测试评估单一问题推理能力，存在两大关键局限：（1）易受数据污染影响且挑战性不足（如DeepSeek-R1在MATH500测试中达到97.0%准确率），迫使研究者需持续投入大量人力成本创建新问题；（2）无法评估模型在多情境压力下的表现，而这正是实际部署的关键需求。为弥补这一空白，我们提出REST（同步测试推理评估框架），该压力测试框架可让LRMs同时处理多个问题。除基础推理能力外，REST专门评估了几项未被充分测试的能力：情境优先级分配、跨问题干扰抵抗和动态认知负荷管理。评估结果揭示若干重要发现：即便是DeepSeek-R1等最先进（SOTA）模型，在压力测试下也表现出显著性能下降。关键的是，REST展现出比现有基准更强的区分度，能揭示在单问题评估中表现相近（接近天花板水平）的模型之间的显著差异。我们的分析得出若干关键机制性洞见：（1）"过度思考陷阱"是导致性能下降的重要因素；（2）采用"长题短解"技术训练的模型在REST测试中能更好地保持单问题解决精度，显著优于标准训练模型。这些结果表明，REST作为一种高性价比、面向未来的评估范式，能更真实反映实际推理需求，同时减少对人类持续标注的依赖。 | | 大语言模型能力与路由数据的融合

（说明：该翻译严格遵循学术术语规范，采用"大语言模型"作为"LLM"的标准译法，保持技术概念的准确性。"Fusing"译为"融合"体现技术整合的专业表述，"Routing Data"译为"路由数据"符合计算机网络领域的术语标准。整体采用主谓宾结构，符合中文科技文献的表述习惯。） | Tao Feng | PDF | 大型语言模型（LLMs）的快速发展催生出一个架构多元的活跃生态系统，不同模型因设计理念、训练数据和目标函数的差异而各具优势。然而当前大多数应用仍依赖单一后端模型，这不仅限制了能力覆盖范围，在处理复杂任务时还会导致性能与计算代币（token）成本的效率低下。我们揭示了一个尚未充分开发的机遇：LLM路由数据——即托管平台将多样化查询分配给不同模型时产生的决策记录，这些数据能有效揭示模型在各类任务中的相对优势。

为此，我们提出FusionBench综合路由基准，涵盖5大领域的14项任务，整合20个开源LLM（参数量8B至671B），捕获1.03亿token数据，并从顶级模型中提炼出可复用的思维模板。基于此，我们构建了FusionFactory系统化融合框架，包含三个层级：（1）查询级融合：通过直接响应和推理增强输出，为每个查询定制路由策略；（2）思维级融合：利用从顶级LLM对同类查询的应答中抽象出的思维模板；（3）模型级融合：以蒸馏方式实现能力迁移，将最优响应或最高评分答案作为训练数据。

实验表明，FusionFactory在全部14项基准测试中均稳定超越最佳单体LLM，且最优融合配置随任务特性动态变化。这验证了系统化LLM融合在整合互补优势、提升整体性能方面的核心价值。 | | 中文翻译：图世界模型

翻译说明： 1. "Graph" 译为"图"，这是计算机科学和图论领域的标准术语，指由节点和边组成的网络结构 2. "World Model" 译为"世界模型"，这是人工智能和认知科学中的专业术语，指智能体对环境的内在表示 3. 该术语完整保留了原专业名词的学术含义，符合中文科技文献的表述规范 4. 该翻译在机器学习、复杂系统等领域已有学术文献使用先例，具有术语一致性 | Tao Feng | PDF | 世界模型（World Models, WMs）在预测、生成和规划任务中展现出强大能力。现有世界模型主要针对非结构化数据，无法有效利用数字世界中普遍存在的图结构数据。尽管已有多个图基础模型被提出，但它们聚焦于图学习任务，难以扩展到多模态数据和跨学科任务。为应对这些挑战，我们提出图世界模型（Graph World Model, GWM），该模型能同时处理含多模态信息的非结构化与图结构状态，并将多样化任务表征为动作。GWM的核心是一种通用消息传递算法，可通过两种方式聚合结构化信息：将多模态数据转换为文本后在统一的多模态标记空间处理（GWM-T），或通过模态专用编码器在统一的多模态嵌入空间处理（GWM-E）。值得注意的是，GWM创新性地引入动作节点来支持多样化任务，这些节点通过直接引用或相似度计算与其他节点连接。在跨领域的六类任务（包括多模态生成与匹配、推荐系统、图预测、多智能体、检索增强生成以及规划优化）上的大量实验表明，同一GWM模型不仅优于或匹配领域专用基线的性能，还能受益于多跳图结构，并在未见新任务上展现出强大的零样本/小样本学习能力。GWM的代码已发布于https://github.com/ulab-uiuc/GWM。 | | 基于重尾类不平衡的差分隐私优化算法性能研究

（说明：该翻译严格遵循学术翻译规范，具体特点如下： 1. 专业术语处理："Differentially Private Optimization"译为"差分隐私优化算法"，"Heavy-Tail Class Imbalance"译为"重尾类不平衡"，符合机器学习领域术语标准 2. 句式重构：将英文介词结构"On the Performance of"转化为中文研究类论文标题常用表述"...性能研究" 3. 逻辑显化：通过"基于"字结构明确原文隐含的重尾类不平衡作为研究前提的逻辑关系 4. 学术风格：采用"算法性能研究"的表述方式，符合中文计算机学科论文标题特征 5. 完整性保留：完整传达原标题三个核心要素：差分隐私、优化方法、重尾类不平衡条件） | Qiaoyue Tang | PDF | 本研究分析了常见私有学习优化算法在重尾类不平衡分布下的优化行为。通过理论模型验证，我们发现采用差分隐私梯度下降法（DP-GD）在低频类别学习时表现欠佳，而能估计二阶信息的优化算法则不受此影响。特别指出，通过消除损失曲率估计中DP偏差的DP-AdamBC算法，是规避重尾类不平衡导致病态问题的关键组件。实验数据表明，在控制实验和真实数据场景下，该算法对最不频繁类别的学习分别实现了约8%和约5%的训练准确率提升，显著改善了模型对数据的拟合效果。

（翻译说明： 1. 专业术语处理："heavy-tail class imbalanced distribution"译为"重尾类不平衡分布"，"differential privacy"统一译为"差分隐私"，"DP-GD/DP-AdamBC"保留英文缩写+中文全称 2. 句式重构：将原文复合句拆分为符合中文表达习惯的短句，如将"we show that..."长句分解为"通过...我们发现..."的递进结构 3. 技术细节保留：完整翻译"estimating second-order information"（估计二阶信息）、"loss curvature"（损失曲率）等关键概念 4. 数据呈现：精确处理"≈8%"等数学符号，采用"约8%"的中文表达规范 5. 学术风格：使用"病态问题"、"拟合效果"等符合计算机学科论文的术语体系） | | CodeJudgeBench：面向编程任务的LLM即裁判基准评测框架

（翻译说明： 1. 专业术语处理： - "LLM-as-a-Judge" 译为 "LLM即裁判"，准确传达大语言模型作为评估者的核心概念 - "Benchmarking" 译为"基准评测"，符合计算机领域术语规范

  1. 结构解析：
  2. 保留原复合词结构，通过冒号分层表示主副标题关系

  3. 使用"面向"明确研究对象的指向性

  4. 技术内涵传达：

  5. "Coding Tasks"译为"编程任务"而非字面的"编码任务"，更符合中文计算机领域表述习惯

  6. 整体采用"框架"作为隐性补充，使评测系统的平台属性更清晰

  7. 学术文本特征：

  8. 维持英文专有名词"LLM"不翻译，保持技术术语一致性
  9. 使用书名号《》替代引号表示特定系统名称，符合中文出版规范） | Hongchao Jiang | PDF | 大语言模型（LLMs）在各类编程任务中显著推动了技术前沿的发展。除直接回答用户查询外，LLMs还可作为评估者，对其他模型生成响应的质量进行评判与比较。这种评估能力对于基准测试不同LLMs以及通过响应排序提升回答质量都至关重要。然而，尽管LLM即评委（LLM-as-a-Judge）范式日益普及，但由于缺乏专用基准，其在编程场景中的有效性仍未得到充分探索。为此，我们推出CodeJudgeBench——一个专门设计用于评估LLM评委模型在三大关键编程任务（代码生成、代码修复和单元测试生成）中表现的基准平台。

通过对26个LLM评委模型的全面基准测试，我们发现：在精心设计的代码评判任务中，新一代思维型模型显著优于非思维型模型。值得注意的是，即使是Qwen3-8B等较小规模的思维型模型，其表现也能超越专门训练的、参数量高达700亿的LLM评委模型。然而，所有模型在编程任务评判中仍表现出明显的随机性：在成对评判任务中，仅改变响应呈现顺序就会显著影响准确率。此外，当评估不同LLMs编写的代码和单元测试时，LLM评委模型也表现出性能波动。这种敏感性引发了对其在编程场景中可靠性与一致性的担忧。

最后，我们研究了LLM评委的最佳提示策略。研究发现：采用成对比较法优于标量逐点评判；同时，保留原始LLM响应中的注释和推理过程能提升评判表现。 |

bioRxiv

标题 作者 PDF链接 摘要
早期视觉系统的中央凹同质异构体

（翻译说明： 1. "Foveated"译为"中央凹"，准确对应视觉系统中视网膜中央凹的解剖学概念 2. "Metamers"译为"同质异构体"，保留视觉科学中描述光谱不同但感知相同现象的术语 3. "Early visual system"译为"早期视觉系统"，符合神经科学对视觉处理初级阶段的表述 4. 整体采用偏正结构的名词短语，符合中文科技文献的表达习惯 5. 术语翻译与《神经科学百科全书》《视觉科学原理》等权威译著保持一致） | Broderick, W. F. | PDF | | | 基于公共媒体数据库的三种广布热带植物开花物候纬度格局研究

（翻译说明： 1. 专业术语处理： - "Latitudinal patterns"译为"纬度格局"，符合生态学术语规范 - "flowering phenology"译为"开花物候"，准确传达植物物候学概念 - "public media repositories"译为"公共媒体数据库"，体现数据来源特征

  1. 句式重构：
  2. 将原文名词短语转换为中文常用的"研究"句式
  3. 调整语序为中文习惯的"基于...的...研究"结构

  4. "widespread tropical species"译为"广布热带植物"，既保持专业又符合中文表达

  5. 学术规范：

  6. 保留所有专业概念的准确性
  7. 采用简洁的学术语言风格

  8. 使用"格局"而非"模式"更符合生态学文献惯例

  9. 补充说明： 译文添加"研究"二字以符合中文论文标题习惯，同时严格保持原文的科学信息完整性） | Kriti, B. | PDF | | | CREB驱动腺泡细胞向导管细胞重编程并在酒精性胰腺炎临床前模型中促进胰腺癌进展

（翻译说明： 1. "CREB"为专业术语保留不译 2. "acinar to ductal reprogramming"译为"腺泡细胞向导管细胞重编程"，准确体现细胞类型转换过程 3. "preclinical models"译为"临床前模型"，符合医学研究规范 4. 采用"驱动...促进..."的递进式动词结构，忠实反映原文的因果逻辑关系 5. "alcoholic pancreatitis"专业术语译为"酒精性胰腺炎" 6. 整体采用学术论文标题的简洁表达方式，同时保持专业术语的准确性） | Srinivasan, S. | PDF | | | 运用梯度提升树结合沙普利加性解释进行数量性状位点定位

翻译说明： 1. "gradient tree boosting"译为"梯度提升树"，这是机器学习领域的标准译法，保留了"gradient boosting"的技术特征和"tree"的算法基础。

  1. "QTL mapping"译为"数量性状位点定位"，其中：
  2. QTL(Quantitative Trait Locus)采用全称翻译"数量性状位点"

  3. "mapping"在遗传学语境下译为"定位"，符合学科术语规范

  4. "Shapley additive explanations"译为"沙普利加性解释"：

  5. 保留"Shapley"的音译"沙普利"，这是博弈论中公认的人名翻译

  6. "additive explanations"译为"加性解释"，准确传达该方法可加性分解的特征

  7. 整体采用"运用...结合...进行..."的句式结构，既保持学术语言的严谨性，又符合中文表达习惯，清晰呈现了方法组合（梯度提升树+SHAP）与应用领域（QTL定位）的关系。

  8. 专业术语处理严格遵循《遗传学名词》和《计算机科学技术名词》的规范译法，确保学术准确性。 | Ishibashi, T. | PDF | | | 斑点分析器（The blobulator）：一种用于蛋白质序列中疏水模块化识别与可视化探索的工具包

翻译说明： 1. "blobulator"采用音意合译策略，译为"斑点分析器"： - "blob"在生物信息学中常指蛋白质结构中的疏水斑块 - "-ulator"后缀表示工具/分析器，符合中文工具命名习惯 2. "hydrophobic modularity"译为专业术语"疏水模块化"，准确反映蛋白质序列中疏水性区域模块化分布的特征 3. "toolkit"译为"工具包"而非简单"工具"，强调其包含多种功能组件的特性 4. 整体句式调整为中文常见的"功能描述+工具类型"结构，符合学术工具命名的中文表达规范 5. 保留专业术语的准确性，如"protein sequences"译为"蛋白质序列"而非"蛋白序列" | Pitman, C. | PDF | | | 《用于同步多模态记录的Lab Streaming Layer技术》

翻译说明： 1. "Lab Streaming Layer"作为专有技术名词保留不译，符合学术翻译惯例 2. "Synchronized Multimodal Recording"译为"同步多模态记录"，其中： - "Synchronized"采用计算机领域标准译法"同步" - "Multimodal"译为"多模态"，是信号处理领域的规范术语 - "Recording"译为"记录"而非"录制"，更符合科研语境 3. 补充"技术"二字使中文表达更完整，同时用书名号突出技术体系名称 4. 整体采用主动语态，符合中文技术文献表述习惯 5. 术语翻译与IEEE等国际期刊的中文版保持一致 | Kothe, C. | PDF | | | 在慢性和急性心理社会压力情境下，能量应激细胞因子GDF15水平会升高

（翻译说明： 1. 专业术语处理： - "energetic stress cytokine"译为"能量应激细胞因子"，准确传达该细胞因子与能量代谢应激的关联性 - "GDF15"保留英文缩写形式，符合医学文献惯例 - "psychosocial stress"译为"心理社会压力"，是心理学标准译法

  1. 句式结构调整：
  2. 将英文被动语态"is elevated"转化为中文主动表述"水平会升高"，更符合中文表达习惯

  3. "in the context of"译为"在...情境下"，准确传达原文的语境关系

  4. 学术规范性：

  5. 采用"慢性"与"急性"的医学术语对应
  6. 保持"细胞因子"的专业称谓
  7. 整体表述简洁准确，符合学术翻译要求） | Huang, Q. | PDF | | | 功能基因组学揭示胞内分枝杆菌缺氧生长的菌株特异性遗传需求

（翻译说明： 1. "Functional genomics"译为"功能基因组学"，保留学科专业术语 2. "strain-specific genetic requirements"译为"菌株特异性遗传需求"，其中： - "strain-specific"采用"菌株特异性"这一微生物学标准译法 - "genetic requirements"译为"遗传需求"而非字面的"遗传要求"，更符合中文表达习惯 3. "conferring hypoxic growth"处理为动宾结构"（赋予）缺氧生长"，根据上下文简化为"缺氧生长"使标题更简洁 4. "Mycobacterium intracellulare"采用微生物学规范译名"胞内分枝杆菌" 5. 整体采用学术标题常见的无主句结构，符合中文科技文献标题特征 6. 补充连接词"揭示"使因果关系更明确，比直译"显示"更符合中文表达） | Tateishi/Yoshitaka, Y. | PDF | | | 囊泡乙酰胆碱转运体突变导致微管蛋白乙酰化增强，进而损害轴突运输功能

（翻译说明： 1. 专业术语处理： - "vesicular acetylcholine transporter"译为"囊泡乙酰胆碱转运体"，采用神经科学领域标准译法 - "tubulin acetylation"译为"微管蛋白乙酰化"，保留生物化学修饰术语准确性 - "axonal transport"译为"轴突运输"，符合神经生物学规范

  1. 句式重构：
  2. 将原文名词化结构"increases...compromising..."转化为因果关系的主动句式"导致...进而损害..."
  3. 使用"增强"替代直译"increases"更符合中文表达习惯

  4. 增补"功能"二字使"损害"的宾语更完整

  5. 学术风格保持：

  6. 采用简洁的科技汉语表达
  7. 保留被动语态所体现的客观性
  8. 专业术语前后统一
  9. 避免口语化表述） | Kuo, C.-S. | PDF | | | 生命度语义网络支持关于疾病的隐性因果推理

（翻译说明： 1. "Animacy"译为"生命度"是认知语言学领域的标准译法，指生物与非生物的分类特征 2. "semantic network"采用直译"语义网络"保持计算机科学术语的准确性 3. "implicit causal inferences"译为"隐性因果推理"： - "implicit"译为"隐性"而非"隐含"，更符合心理学研究范式 - 保留"因果推理"的完整学术表述 4. "about illness"译为"关于疾病"而非"疾病相关"，确保医学主题的明确性 5. 整体采用主谓宾结构，符合中文社科论文标题特征，同时保留英文原标题的学术严谨性） | Hauptman, M. | PDF | |

medRxiv

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