#深度学习

做脑机接口或脑电信号的同学可以看看这篇。它把电极按脑区分组后用图网络建模，模型关注哪些脑区一目了然，F1到0.74，比纯黑箱卷积模型好解释，适合需要向评审或医生说明依据的场景。

搞地震勘探的可以看看这篇：传统方法每换一个工区都要重新训练模型，井数据又少得可怜。这篇用掩码自编码器预训练加冻结编码器，部署时完全不重训，Overthrust 数据上 P95 误差从 0.1310 降到 0.1074，盲井验证误差还降了 20.95%。

Gary Marcus 发帖说生成式 AI 每一点改进的成本越来越高，他判断泡沫快撑不住了，看看他列举的几个理由。

Gary Marcus@GaryMarcus原文

arXiv 上这篇论文用 ZTF 的 4 万颗变星数据对比了两类方法，结论是经典特征模型更强，做时序分类的可以看看失败原因分析。

arXiv 上的 FoldScape 论文，用序列生成蛋白质各折叠阶段的构象，覆盖范围比 AlphaFold 3 系综宽约一个数量级，做结构预测的可以看看。

一份用普通心电图就能估计 BRCA1/BRCA2 等基因携带风险的研究，外部验证还用了中国人群队列，挺有意思的方向。

研究团队用深度学习直接从脑部 MRI 里自动标出颈椎椎体并提取形态数据，多中心大数据验证过，做脊髓影像分析的朋友可以看看。

npj Digital Medicine@Isaac M. Adanyeguh原文

搞工业故障诊断的可以看看，PhyNet 用物理变量当约束，四个基准包括三个真实空化数据集都拿了最优，不要求信号时间对齐，落地友好。

质谱解分子结构向来慢，GEMS 把它变成图上的搜索问题，几分钟跑完过去一天多的活，做代谢组学的可以看看。

一篇 DOA 估计论文，用 Sigmoid 标签替代传统分类标签，把精度做到亚度级，还对比了 Gaussian 和 BCE 几种标签的效果。

Gary Marcus抱怨科技圈选择性引用他的AI观点，忽视他25年来对神经符号AI的倡导。

Gary Marcus@GaryMarcus原文

MIT提出reViT，用单Transformer块实现多深度视觉编码，参数减少70%精度不降。

研究人员推出SoftServe拟牛顿方法，解决深度学习中的非凸性和大规模参数问题，在病态问题上表现优于现有基线。

RicursiveAI创始人分享颠覆性观点：Transformer胜出可能只是因为适合现有芯片，未来可能有更好架构。

The Information@theinformation原文

这篇论文介绍了一种叫 RegKT 的新技术，专门用来提升知识追踪模型的性能，让它在处理教育数据时更稳定，不容易过拟合，同时还能保持模型的可解释性，对做教育应用的开发者可能有帮助。

Yann LeCun（深度学习先驱）说，AI 研究者太关注比特和令牌，没意识到现实世界有多乱，这个观点很值得听听。

官方账号Yann LeCun@ylecun原文

斯坦福大学老师把深度学习课全公开了，想学深度学习的朋友可以去看，内容很系统。

Stanford AI Lab@StanfordAILab原文

DeepSeek团队用深度学习解决了400Hz航空航天电力系统故障检测，模型在边缘设备上运行速度快准确率高。

MIT团队用物理约束的深度学习模型，大幅减少ICU误报，比现有方法准确率更高。

医学影像领域新研究，用预训练模型提升DWI畸变校正效果，在LMIC数据应用中发现实际挑战。

G-PROG模型能预测青光眼进展，眼科影像分析正从检测转向预测，还能发现脑部生物标志物。

Lancet Digital Health@ The Lancet Digital Health原文

DeepSeek团队推出IIns-GAN，能生成真实无线信号，比传统方法更省成本，还能提升各种无线感知任务的训练效果。

StainPresetNet解决了染色标准化中的方向限制问题，计算效率提升90%，适合病理图像分析。