Paper List
-
Evolutionarily Stable Stackelberg Equilibrium
通过要求追随者策略对突变入侵具有鲁棒性，弥合了斯塔克尔伯格领导力模型与演化稳定性之间的鸿沟。
-
Recovering Sparse Neural Connectivity from Partial Measurements: A Covariance-Based Approach with Granger-Causality Refinement
通过跨多个实验会话累积协方差统计，实现从部分记录到完整神经连接性的重建。
-
Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics
ATMOS通过提供一个基于SSM的高效框架，用于生物分子的原子级轨迹生成，弥合了计算昂贵的MD模拟与时间受限的深度生成模型之间的差距。
-
Slow evolution towards generalism in a model of variable dietary range
通过证明是种群统计噪声（而非确定性动力学）驱动了模式形成和泛化食性的演化，解决了间接竞争下物种形成的悖论。
-
Grounded Multimodal Retrieval-Augmented Drafting of Radiology Impressions Using Case-Based Similarity Search
通过将印象草稿基于检索到的历史病例，并采用明确引用和基于置信度的拒绝机制，解决放射学报告生成中的幻觉问题。
-
Unified Policy–Value Decomposition for Rapid Adaptation
通过双线性分解在策略和价值函数之间共享低维目标嵌入，实现对新颖任务的零样本适应。
-
Mathematical Modeling of Cancer–Bacterial Therapy: Analysis and Numerical Simulation via Physics-Informed Neural Networks
提供了一个严格的、无网格的PINN框架，用于模拟和分析细菌癌症疗法中复杂的、空间异质的相互作用。
-
Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift
通过从无标记分子谱中学习可迁移表征，利用最少的临床数据实现患者药物反应的有效预测。
从部分测量中恢复稀疏神经连接：一种基于协方差的方法与格兰杰因果性精炼
Massachusetts Institute of Technology
30秒速读
IN SHORT: 通过跨多个实验会话累积协方差统计，实现从部分记录到完整神经连接性的重建。
核心创新
- Methodology Developed a covariance accumulation framework that reconstructs full connectivity matrices from partial observations across multiple recording sessions
- Methodology Introduced Granger-causality refinement via projected gradient descent to enforce biological constraints (sparsity, non-negativity, no autapses)
- Theory Discovered that linear approximation acts as implicit regularization, outperforming oracle estimators with known nonlinearity via Stein-Price identity characterization
主要结论
- 协方差估计器在N=30网络、T=1000时间步和66%测量密度下实现了中位数Frobenius误差0.053（比随机基线提升91%）
- 格兰杰因果性精炼在N=12网络中进一步降低误差6%（从0.100到0.094），同时实现了完美的边检测召回率（中位数=1.0）
- 最佳刺激水平关键取决于测量密度：在100%测量下，零刺激完全失败（误差>4.0），而适度刺激（σ≈0.5）可实现优异恢复（误差∼0.03）
摘要: 从非完整观测中推断神经回路的连接性是神经科学中的一个基本挑战。我们提出了一种基于协方差的方法，用于从多个记录会话中的稀疏、部分测量中估计循环神经网络的权重矩阵。通过在观察到不同神经元子集的会话中累积成对协方差估计，我们重建了完整的连接矩阵，而无需同时记录所有神经元。一个格兰杰因果性精炼步骤通过投影梯度下降强制执行生物学约束。通过对模拟小脑回路的合成网络进行系统实验，我们描述了一个基本的控制-估计权衡：刺激有助于可识别性但会破坏内在动力学，最佳水平取决于测量密度。我们发现“错误”的线性近似起到了隐式正则化的作用——在所有操作机制下都优于已知非线性的oracle估计器——并通过Stein-Price恒等式提供了精确的表征。