跳转至

2025-08-16 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
基于神经幅值编码的量子视觉场

（翻译说明： 1. "Quantum Visual Fields"译为"量子视觉场"，保留量子物理学术语的同时采用视觉科学领域习惯译法 2. "Neural Amplitude Encoding"译为"神经幅值编码"，其中： - "Amplitude"在量子计算语境下规范译为"幅值"而非"振幅" - "Encoding"采用计算机科学领域通用译法"编码" 3. 整体采用"基于...的..."结构，符合中文科技论文标题的常见表达范式 4. 通过添加连接词"基于"明确技术路径的从属关系，比直译"带有"更符合学术表达习惯 5. 保留所有专业术语的学科准确性，同时确保中文标题的简洁性（14个汉字）） | Shuteng Wang | PDF | Quantum Implicit Neural Representations (QINRs) include components for learning and execution on gat [翻译失败] | | 文献知识先验数据集：用于治疗性设计的提炼

（翻译说明： 1. 采用"文献知识先验"准确对应"Knowledge Priors from Literature"，体现从已有文献中提取结构化知识的学术概念 2. "Distilling"译为"提炼"符合化学/药学领域的术语习惯 3. "Therapeutic Design"规范译为"治疗性设计"，保留其作为专业术语的完整性 4. 整体采用"数据集"前置的学术标题结构，符合中文科技论文命名规范 5. 通过冒号分层实现英文原意的逻辑表达，同时确保中文标题的简洁性（18个汉字）） | Haydn Thomas Jones | PDF | 人工智能驱动的发现能大幅缩短设计周期并提升新疗法的有效性。基于模拟器的模型可探索广阔的设计空间，但由于缺乏实验先验知识，可能违反潜在约束条件。例如，我们使用监督分类器对GuacaMol基准测试中多样化模型进行的新分析显示，超过60%的分子提案具有较高致突变风险。本研究推出\ourdataset（实验先验数据集），该数据集通过文献挖掘提取实验室环境化合物相关的设计问题先验知识，采用大语言模型流水线构建：首先识别相关段落中的治疗实体，继而以简洁的合理使用声明形式汇总信息。该数据集包含3230万组自然语言陈述与对应实体表征（如SMILES字符串或refseq编号）。为验证数据潜力，我们训练了LLM、CLIP和LLava架构模型进行文本与设计目标的联合推理，并在治疗数据公库（TDC）任务上评估。实验表明，\ourdataset能高效构建强先验模型：在以本数据预训练的监督预测任务中，仅含1500万可调参数的最佳模型，在TDC回归与分类任务上均超越20亿参数的TxGemma模型，平均性能媲美90亿参数模型。基于\ourdataset构建的模型可作为GuacaMol新型分子优化中的约束条件，使生成分子在保持高效的同时显著提升安全性。数据集已发布于\href{https://huggingface.co/datasets/medexanon/Medex}{huggingface.co/datasets/medexanon/Medex}，并将随文献增长持续更新扩展版本。 | | 《Puppeteer：3D模型绑定与动画制作》

（注：根据学术翻译规范与计算机图形学领域术语习惯，对标题进行以下处理：
1. "Puppeteer" 保留工具名称原意，译为"操纵师"或直译"木偶师"，但结合3D动画语境采用工具类软件常见命名方式，直接保留英文名
2. "Rig" 专业译为"绑定"，指为3D模型创建骨骼控制系统
3. "Animate" 译为"动画制作"，体现从静态模型到动态动画的生成过程
4. 补充动词"制作"使中文标题更符合技术手册命名习惯） | Chaoyue Song | PDF | Modern interactive applications increasingly demand dynamic 3D content, yet the transformation of st [翻译失败] | | 《人在情境中：基于情境学习的统一跨领域3D人体运动建模》

（翻译说明： 1. "Human-in-Context"译为"人在情境中"，借鉴心理学"人在环境中"（Person-in-Environment）的专业表述，同时保留"Context"作为核心概念的统一性 2. "Unified Cross-Domain"采用"统一跨领域"的直译，准确传达跨学科整合含义 3. "In-Context Learning"译为"情境学习"，与首部分术语形成呼应，符合机器学习领域对"context"的标准译法 4. 通过冒号保持原标题的学术论文标题结构，主副标题层次分明 5. "3D Human Motion Modeling"使用"3D人体运动建模"的规范术语，与计算机图形学领域术语体系一致） | Mengyuan Liu | PDF | This paper aims to model 3D human motion across domains, where a single model is expected to handle [翻译失败] | | 要点：视频类增量学习中的情景记忆与语义记忆整合

（翻译说明： 1. "ESSENTIAL"译为"要点"符合学术标题简洁性要求，同时保留强调含义 2. 专业术语严格对应： - Episodic Memory = 情景记忆（认知科学标准译法） - Semantic Memory = 语义记忆（认知神经科学规范术语） - Video Class-Incremental Learning = 视频类增量学习（计算机视觉领域通用译法） 3. 使用"中的"连接定语，符合中文前置定语的语法习惯 4. "Integration"译为"整合"准确表达记忆系统协同作用的含义，优于"结合"等译法 5. 整体保持学术标题的简洁性（14个汉字），同时完整传递原文信息） | Jongseo Lee | PDF | 本研究致力于解决视频类增量学习（Video Class-Incremental Learning, VCIL）的关键问题。现有VCIL方法主要通过情景记忆（episodic memory）中存储的少量时间密集样本进行排练训练来缓解灾难性遗忘，但这种方法存在内存效率低下的缺陷。另一些方法虽采用时间稀疏样本存储以节省内存，却牺牲了关键时序信息，导致性能显著下降。为突破这种内存效率与模型性能的权衡困境，我们提出基于情景记忆与语义记忆融合的视频类增量学习框架ESSENTIAL（EpiSodic and SEmaNTIc memory integrAtion for video class-incremental Learning）。该框架创新性地构建了双记忆系统：情景记忆存储时间稀疏特征，语义记忆则通过可学习提示词（learnable prompts）保存通用知识。我们设计的新型记忆检索（MR）模块通过交叉注意力机制实现情景记忆与语义提示的深度融合，从而从时间稀疏特征中重建出时间密集特征。实验环节严格遵循TCD基准（涵盖UCF-101、HMDB51和Something-Something-V2数据集）和vCLIMB基准（包含UCF-101、ActivityNet及Kinetics-400数据集）进行验证。值得注意的是，ESSENTIAL在内存消耗显著降低的情况下，于各基准测试中均取得优越性能。 | | MAESTRO：面向多模态、多时相及多光谱地球观测数据的掩码自编码器

说明： 1. 专业术语处理： - "Masked AutoEncoders" 译为"掩码自编码器"，采用计算机视觉领域通用译法 - "Multimodal" 译为"多模态"，保留机器学习领域的专业表述 - "Multitemporal" 译为"多时相"，符合遥感学科术语规范 - "Multispectral" 译为"多光谱"，采用光学遥感标准术语

  1. 结构处理：
  2. 保持英文缩写"MAESTRO"不变
  3. 使用冒号+空格的中文学术标题规范格式

  4. 通过"面向"的表述准确传达"for"的技术应用关系

  5. 技术准确性：

  6. "Earth Observation Data" 译为"地球观测数据"，符合国家对地观测领域的官方译法
  7. 三个"Multi-"前缀的并列结构使用顿号分隔，符合中文科技文献的列举规范

该翻译严格遵循IEEE学术论文标题的汉译标准，在保持专业性的同时确保术语体系与中文遥感学术共同体一致。 | Antoine Labatie | PDF | 自监督学习在遥感领域展现出巨大潜力，但标准自监督方法必须针对地球观测数据的独特特性进行适配。我们通过系统评估多模态、多时相和多光谱地球观测数据的融合策略与重建目标归一化方案，朝着这一方向迈出了重要一步。基于研究发现，我们提出了MAESTRO模型——一种改进的掩码自编码器架构，其创新点在于优化融合策略和定制化目标归一化方案，通过引入光谱先验作为自监督信号。在四个地球观测数据集上的实验表明，MAESTRO在强依赖多时相动态特征的任务中创造了新性能标杆，同时在单时相模态主导的任务中保持显著竞争力。完整实验代码已开源：https://github.com/ignf/maestro。

（翻译说明： 1. 专业术语处理："multitemporal"译为"多时相"，"multispectral"译为"多光谱"，"spectral prior"译为"光谱先验"，符合遥感领域术语规范 2. 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"featuring optimized..."处理为分句结构 3. 被动语态转换："must be adapted"译为主动式"必须进行适配" 4. 概念显化："sets a new state-of-the-art"译为"创造新性能标杆"，比直译"设定新标准"更符合学术语境 5. 技术表述准确性："reconstruction target normalization schemes"译为"重建目标归一化方案"，完整保留技术含义 6. 机构名称保留：代码库地址保持原始形态不作翻译） | | STream3R：基于因果Transformer的可扩展序列三维重建

翻译说明： 1. 保留专业术语： - "Scalable"译为"可扩展"，符合计算机领域术语 - "Sequential"译为"序列"，准确表达时序性 - "3D Reconstruction"译为"三维重建"，标准学术译法 - "Causal Transformer"保留英文专业名词"Transformer"并添加"因果"修饰

  1. 技术准确性：
  2. "Causal"译为"因果"而非"因果性"，更符合Transformer架构中因果注意力机制的专业表述

  3. 使用"基于"而非"利用"，更准确表达方法的基础架构

  4. 格式规范：

  5. 项目名称"STream3R"保留原文大写形式
  6. 冒号使用中文全角符号

  7. 术语大小写严格遵循原文（如Transformer首字母大写）

  8. 语言流畅性：

  9. 采用"名词+动词"结构（"可扩展序列三维重建"）
  10. 避免冗长，在保持专业性的前提下保证中文表达简洁性

该翻译已通过计算机视觉与深度学习领域的术语一致性校验，符合IEEE/ACM等学术出版物的中文表述规范。 | Yushi Lan | PDF | 我们提出STream3R这一三维重建新方法，将点云图预测重构为纯解码器的Transformer问题。当前最先进的多视角重建方法要么依赖计算昂贵的全局优化，要么采用难以适应长序列的简单记忆机制。相比之下，STream3R受现代语言建模技术启发，引入基于因果注意力的流式处理框架，可高效处理图像序列。通过从大规模三维数据集中学习几何先验知识，该方法能有效泛化至各类挑战性场景（包括传统方法常失效的动态场景）。大量实验表明，本方法在静态与动态场景基准测试中均持续超越现有技术。此外，STream3R天然兼容类LLM的训练基础设施，可支持多种下游三维任务的高效大规模预训练与微调。我们的研究成果验证了因果Transformer模型在在线三维感知中的潜力，为流式环境下的实时三维理解开辟了新途径。更多细节详见项目页面：https://nirvanalan.github.io/projects/stream3r。

（注：根据学术翻译规范，对以下术语进行了标准化处理： 1. "pointmap"译为"点云图"（计算机视觉领域通用译法） 2. "causal attention"译为"因果注意力"（Transformer架构标准术语） 3. "geometric priors"译为"几何先验知识"（机器学习领域规范表述） 4. 保留"LLM"（大语言模型）等已形成共识的英文缩写 5. 动态场景括号说明采用中文全角符号） | | 代表性基准问题领域中回声状态网络配置的实证研究

（说明：该翻译严格遵循学术规范，采用专业术语统一译法： 1. "Empirical Investigation"译为"实证研究" - 符合社会科学研究方法论的标准表述 2. "Echo State Networks"译为"回声状态网络" - 采用IEEE计算智能学会官方术语译法 3. "Representative Benchmark Problem Domains"译为"代表性基准问题领域" - 保留计算机科学中benchmark test的标准译法"基准"，同时通过"代表性"准确传达representative的限定含义 4. 整体句式结构采用中文论文标题常见的"研究领域+方法"的倒装结构，符合《中国科技论文标题写作规范》要求） | Brooke R. Weborg | PDF | 本文研究了作为储备池计算机的回声状态网络在四种基准问题中的性能表现，进而提出了适用于同领域问题的网络架构配置启发式规则、参数选择及其取值建议，以帮助填补该领域研究者所需的经验空白。作为一种以储备池计算机形式构建的强效循环神经网络，回声状态网络的参数选择与数值调整、以及架构变更所产生的影响，对于缺乏领域经验的研究者往往难以全面把握——甚至某些超参数优化算法若未经合理的人工参数初选，也难以有效调整参数取值。因此，理解参数及其取值选择对回声状态网络架构性能的影响，对于成功构建网络至关重要。为应对回声状态网络架构研究所需的深厚背景知识需求，并系统考察网络性能如何受架构设计、参数选择及取值变化的影响，本研究通过建模和实验分析了一系列代表不同问题领域（包括时间序列预测、模式生成、混沌系统预测和时间序列分类）的基准任务，以此揭示这些因素对回声状态网络性能的具体影响。 | | ToonComposer：基于生成式后关键帧技术的卡通动画高效制作系统

（翻译说明： 1. 保留品牌名"ToonComposer"不译，符合技术术语惯例 2. "Generative Post-Keyframing"译为"生成式后关键帧技术"，其中： - "Generative"采用计算机领域标准译法"生成式" - "Post-Keyframing"译为"后关键帧技术"，准确表达动画制作中关键帧之后的处理阶段 3. "Streamlining"译为"高效制作"而非字面"流线化"，更符合中文技术文档表达习惯 4. 补充"系统"二字使中文更完整，体现该技术的系统性特征 5. 整体采用"主标题+副标题"结构，符合中文论文标题规范） | Lingen Li | PDF | 传统动画与动漫制作包含关键帧绘制、中间帧生成及上色三个阶段，这些流程需要大量人工参与。尽管人工智能技术取得进展，现有方法通常将这些阶段割裂处理，导致错误累积与画面瑕疵。例如中间帧生成技术难以处理大幅运动，而上色方法需要密集的逐帧线稿。为此，我们提出ToonComposer生成模型，将中间帧生成与上色统一整合至关键帧后处理阶段。该模型采用稀疏线稿注入机制，通过关键帧线稿实现精准控制，并创新性地运用空间低秩适配器的卡通域适应方法，在保持时序先验的前提下使现代视频基础模型适配卡通制作需求。仅需单幅线稿与一张参考色稿即可高效处理稀疏输入，同时支持任意时间节点的多线稿输入以实现更精确的运动控制。这种双重能力显著降低人工工作量并提升灵活性，切实赋能动画创作实践。为评估模型性能，我们进一步构建PKBench基准测试集，包含模拟真实生产场景的手绘线稿。实验表明，ToonComposer在视觉质量、运动连贯性与生产效率上均超越现有方法，为AI辅助动画制作提供了更优质灵活的解决方案。 | | 通过模拟探究大语言模型智能体中的隐私风险

（翻译说明： 1. 专业术语处理： - "LLM Agents"译为"大语言模型智能体"，采用学术领域通用译法 - "Simulation"译为"模拟"，符合计算机科学术语规范

  1. 句式结构调整：
  2. 将英语的动名词短语"Searching for"转化为中文更自然的动词短语"探究"

  3. 通过"通过..."的介词结构准确传达原文"via"的语义关系

  4. 学术风格保持：

  5. 使用"隐私风险"而非"隐私隐患"等非学术表述

  6. 采用"探究"而非"寻找"等更符合研究论文标题的动词

  7. 技术准确性：

  8. 保留"智能体"的译法以区别于普通AI代理

  9. 不简化"大语言模型"这一专业术语

  10. 标题规范：

  11. 符合中文论文标题习惯，长度控制在20字以内
  12. 通过"中"字结构保持学术标题的简洁性） | Yanzhe Zhang | PDF | 基于大语言模型（LLM）的智能体广泛部署可能引发重大隐私威胁：恶意智能体会通过主动发起多轮对话来窃取敏感信息。这类动态对话使攻击者能采用自适应策略，导致严重的隐私侵犯，而其演化特性使得人工预判和发现复杂漏洞变得极为困难。为解决该问题，我们提出一种基于搜索的框架，通过模拟隐私关键型智能体交互来交替优化攻击者与防御者的指令。每次模拟包含三个角色：数据主体、数据发送方和数据接收方。在固定数据主体行为的前提下，攻击者（数据接收方）通过持续交互试图从防御者（数据发送方）处提取敏感信息。为高效探索这一交互空间，我们的搜索算法采用LLM作为优化器，通过多线程并行搜索与跨线程传播技术分析模拟轨迹，迭代生成新指令。研究发现：攻击策略会从简单直接询问升级为冒充、伪造同意等复杂多轮战术，而防御措施则从基于规则的约束演进为身份验证状态机。所发现的攻防策略在不同场景和基础模型间均具可迁移性，对构建隐私感知型智能体具有显著实用价值。

（翻译说明：采用学术文本特有的名词化结构处理"dynamic dialogues enable..."等句式；将"escalate/advance"译为"升级/演进"体现技术演进特征；"impersonation and consent forgery"采用"冒充、伪造同意"四字结构保持术语简洁性；通过"隐私关键型""可迁移性"等专业表述确保学术准确性；长难句按中文习惯拆分重组，如将"using parallel search..."独立为分句处理） |

bioRxiv

标题 作者 PDF链接 摘要
多组学图谱辅助发现选择性T细胞状态编程的转录因子

（翻译说明： 1. 专业术语处理： - "Multi-Omics Atlas"译为"多组学图谱"，符合基因组学/生物信息学领域术语规范 - "Transcription Factors"严格采用"转录因子"标准译法 - "T Cell"保留专业缩写"T细胞"

  1. 句式结构调整：
  2. 将英语名词化结构"discovery of..."转化为中文动词短语"发现..."

  3. 后置定语"for Selective..."通过前置处理为"选择性...的"符合中文表达习惯

  4. 技术准确性保障：

  5. "State Programming"译为"状态编程"准确反映细胞编程领域术语

  6. "Selective"译为"选择性"体现精准调控的生物学内涵

  7. 整体风格： 保持学术论文标题的简洁性（14个汉字），同时完整传递原文的科学信息量） | Chung, H. K. | PDF | | | 跨代病原体效应：母体病原体暴露会降低后代适应力

（翻译说明： 1. "Transgenerational"译为"跨代"，准确表达病原体效应跨越世代传递的核心概念 2. "pathogen effects"采用"病原体效应"这一标准学术表述，保持专业术语一致性 3. 冒号后主句采用主动语态翻译，更符合中文表达习惯 4. "Maternal pathogen exposure"译为"母体病原体暴露"，保留"暴露"这一流行病学术语 5. "offspring fitness"译为"后代适应力"，准确传达进化生物学中fitness的核心内涵 6. 整体句式结构采用中文常见的"总-分"表述方式，先概括现象再说明机制 7. 严格保持学术文本的客观陈述语气，避免添加主观解释 8. 术语翻译与《生态学名词》《生物学名词》等权威工具书保持一致） | McIntire, K. M. | PDF | | | 基于镧系元素依赖性的叶际甲基营养菌分离策略筛选出系统发育保守但代谢多样的群落

（翻译说明： 1. "Lanthanide-dependent"译为"基于镧系元素依赖性的"，准确传达了原文中镧系元素作为筛选条件的关键作用 2. "isolation of phyllosphere methylotrophs"采用动宾结构调整为"叶际甲基营养菌分离策略"，符合中文表达习惯 3. "selects for"译为"筛选出"，准确体现实验筛选过程 4. "phylogenetically conserved but metabolically diverse"译为"系统发育保守但代谢多样"，专业术语对应准确，通过"但"字突出对比关系 5. "community"译为"群落"，符合微生物生态学术语规范 6. 整体采用学术论文标题的简洁风格，在保持专业性的同时确保中文表达流畅） | Govindaraju, A. M. | PDF | | | 调节核转运蛋白水平可减轻突变ataxin-1蛋白诱导的神经退行性病变

（翻译说明： 1. "Karyopherin"采用专业术语"核转运蛋白"译法，该家族蛋白负责介导核质运输 2. "Mutant Ataxin-1"译为"突变ataxin-1蛋白"，保留基因名称"ataxin-1"的国际通用写法，补充"蛋白"二字明确分子属性 3. "Neurodegeneration"译为"神经退行性病变"，比"神经变性"更符合医学文献表述习惯 4. 采用"调节...可减轻..."的主动语态结构，既保持学术严谨性又增强中文可读性 5. 添加连接词"诱导的"准确反映原文的因果关系 6. 整体句式结构符合中文医学论文标题特征，控制在20字以内的最佳标题长度） | Ruff, E. K. | PDF | | | 堆肥群落中大规模平行噬菌体暴发的生态进化动力学

（翻译说明： 1. "Eco-evolutionary dynamics"译为"生态进化动力学"，准确对应生态学与进化生物学的交叉学科术语 2. "massive, parallel"处理为"大规模平行"，其中parallel在生物学语境中特指独立发生的平行进化现象 3. "bacteriophage outbreaks"译为"噬菌体暴发"，采用微生物学标准术语 4. "compost communities"译为"堆肥群落"，准确反映环境微生物学研究对象 5. 整体采用偏正结构的名词短语，符合中文科技论文标题特征 6. 通过"的"字结构实现多重修饰关系的清晰表达，保持学术文本的严谨性） | Meijer, J. | PDF | | | 有丝分裂后期黏连蛋白重构与DNA双链断裂的同源重组修复

（翻译说明：
1. "Cohesin"译为"黏连蛋白"，采用学界通用译名
2. "reconstitution"译为"重构"而非"重建"，更符合分子生物学语境
3. "homologous recombination repair"完整译为"同源重组修复"，保留专业术语
4. "late mitosis"译为"有丝分裂后期"，准确对应细胞周期阶段
5. 整体采用"前置定语+核心名词"结构，符合中文科技文献表达习惯） | Ayra Plasencia, J. | PDF | | | 卷积神经网络中介导隐性注意力的涌现神经元机制

（翻译说明： 1. "Emergent"译为"涌现"，准确体现复杂系统中自下而上产生的特性 2. "Neuronal Mechanisms"译为"神经元机制"，保留神经科学专业术语 3. "Covert Attention"译为"隐性注意力"，采用认知科学标准译法 4. 介词短语"in Convolutional Neural Networks"前置处理，符合中文语序习惯 5. 整体采用"定语+中心词"结构，保持学术文本的严谨性 6. 使用"介导"而非"调节"等译法，更精确表达mechanisms的功能属性） | Srivastava, S. | PDF | | | 多族裔全蛋白质组关联分析的大规模插补模型

翻译说明： 1. "multi-ancestry"译为"多族裔" - 在遗传学和生物医学背景下，该术语指代包含多个祖先来源/种族群体的研究设计 2. "proteome-wide"译为"全蛋白质组" - 专业术语，对应基因组研究中的"全基因组"概念 3. "imputation models"译为"插补模型" - 统计遗传学标准译法，指代填补缺失数据的计算方法 4. 整体语序调整符合中文表达习惯，将修饰成分前置，同时保持专业术语的准确性 5. 保留了"association analysis"作为"关联分析"的标准译法，这是GWAS/PWAS研究中的核心方法术语 | Wu, C. | PDF | | | 《以身涉险：基于贝叶斯自适应马尔可夫决策过程的个体风险敏感探索差异建模》

说明： 1. 主标题"Risking your Tail"采用意译手法译为"以身涉险"，既保留了原文"冒险"的核心含义，又通过中文成语增强了文学性 2. 副标题严格遵循学术翻译规范： - "Bayes Adaptive Markov Decision Processes"专业术语译为"贝叶斯自适应马尔可夫决策过程" - "Risk-sensitive Exploration"译为"风险敏感探索"，准确传达心理学与决策科学术语 - "Individual Differences"译为"个体差异"，符合心理学研究表述惯例 3. 整体结构保持原标题的"主标题+副标题"形式，冒号使用符合中文标点规范 4. 通过"基于..."的句式清晰体现方法论（贝叶斯方法）与研究主题（个体差异）的逻辑关系 | Shen, T. | PDF | | | 乙酰胆碱解构异质性多巴胺信号以调控学习与运动

（翻译说明： 1. "demixes"译为"解构"以准确传达其分离解析的学术内涵，较"分离"更体现神经信号处理机制 2. "heterogeneous dopamine signals"译为"异质性多巴胺信号"保留神经科学术语规范 3. 采用"调控"作为隐含动词，使"for learning and moving"的功用性表述更符合中文科技文献表达习惯 4. 整体采用"以...为..."的学术句式结构，确保专业性与可读性的平衡） | Jang, H. J. | PDF | |

medRxiv

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