世界模型

Toward Trustworthy AI: Multi-Target Adversarial Attacks and Robust Defenses for Continuous Data Summarization

迈向可信赖的人工智能：针对连续数据摘要的多目标对抗攻击与鲁棒防御

Yuefang Lian, Longkun Guo, Zhongrui Zhao, Zhigang Lu, Yanan Cai, Shuchao Pang, Dachuan Xu, Jason Xue

机构 * Nankai University（南开大学） ； James Cook University（詹姆斯库克大学） ； Western Sydney University（西悉尼大学） ； Beijing University of Technology（北京工业大学） ； Fuzhou University（福州大学） ； Nanjing University of Science and Technology（南京理工大学） ； CSIRO's Data 61（澳大利亚联邦科学与工业研究组织Data61） ； The University of Adelaide（阿德莱德大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 研究通过DR-子模优化在相似性层面扰动下对连续数据摘要进行对抗攻击，提出多目标攻击生成和鲁棒防御的近似算法，实验表明攻击有效且防御能改善鲁棒性-缓解权衡。

Comments Submitted to IEEE Transactions on Information Forensics and Security (IEEE TIFS)

Radiomic Feature Selection Using Gradient Loss of Deep Neural Network for Lung Cancer Stage Detection

基于深度神经网络梯度损失的放射组学特征选择用于肺癌分期检测

Hina Shakir, Mohammad Mohatram, Javeed Hussain, Syed Rizwan Ali, Muhammad Irfan Memon

机构 * Department of Software Engineering, Bahria University（巴尔ia大学软件工程系） ； Global College of Engineering and Technology（全球工程与技术学院） ； Software Engineering & Business Incubation Center, Bahria University（软件工程与企业孵化中心，巴尔ia大学） 纠错

专题命中 通用世界模型 ：分类 cs.LG、cs.CV；predictive model(abstract)；predictive models(abstract)

AI总结 提出GL-RFE框架，利用深度神经网络梯度敏感性分析递归消除低贡献特征，从106个放射组学特征中选出前15个用于肺癌早晚期分类，准确率达90.22%。

Journal ref J. Vis. Exp. (230), e70181, (2026)

epiGPTope: A machine learning-based epitope generator and classifier

epiGPTope: 一种基于机器学习的表位生成器和分类器

Natalia Flechas Manrique, Alberto Martínez, Elena López-Martínez, Luc Andrea, Román Orus, Aitor Manteca, Aitziber L. Cortajarena, Llorenç Espinosa-Portalés

机构 * Multiverse Computing（多维计算公司） ； Centre for Cooperative Research in Biomaterials (CIC biomaGUNE)（生物材料联合研究中心） ； Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟） ； Donostia International Physics Center（多斯蒂亚国际物理中心） ； Ikerbasque Foundation for Science（伊kerbasque科学基金会） ； IKERBASQUE（伊kerbasque） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 提出基于大型语言模型epiGPTope，通过预训练和微调直接生成新型表位序列，并结合统计分类器预测表位来源（细菌或病毒），以加速合成表位库的构建和筛选。

Comments 11 pages, 4 figures. Supplementary Information with 5 pages, 4 figures

Journal ref ACS Synthetic Biology 2026 15 (2), 631-642

Mean-field Games for Bio-inspired Collective Decision-making in Dynamical Networks

基于生物启发的动态网络中集体决策的均场博弈

Leonardo Stella, Dario Bauso

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.MA

AI总结 本文研究了动态网络中集体决策问题，提出均场博弈模型结合宏观与微观动态，分析了蜂群、病毒传播和智能电网故障的均场模型，并通过数值分析探讨了网络攻击对频率的影响。

A Unified Gas Kinetic Scheme for Multi-scale and Multi-component Plasma Transport

多尺度多组分等离子体输运的统一气体动力学方案

Chang Liu, Kun Xu

专题命中 通用世界模型 ：environment model(abstract)；simulation model(abstract)

AI总结 本文提出一种统一气体动力学方案，用于多尺度多组分等离子体输运模拟，通过直接建模方法结合Vlasov-BGK方程和Maxwell方程，实现不同尺度下的等离子体模拟，并验证了其在多种物理现象中的有效性。

Journal ref Communications in Computational Physics 22.5 (2017): 1175-1223

Easy-to-Use Shielding for Reinforcement Learning

易于使用的强化学习屏蔽技术

Stefan Pranger, Bettina Könighofer

机构 * Institute of Information Security, Graz University of Technology（信息安全研究所，格拉茨技术大学） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.LG

AI总结 提出tempestpy库，将形式化屏蔽合成集成到Gymnasium API中，降低强化学习安全探索的门槛，并扩展了随机多人博弈的屏蔽算法。

Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis

对齐数据驱动预测器与分配：面向决策的生存分析方法

Itai Zilberstein, Ioannis Anagnostides, Tuomas Sandholm

机构 * Department of Computer Science, Carnegie Mellon University, Pittsburgh, PA（计算机科学系，卡内基梅隆大学，匹兹堡，PA） ； Strategy Robot, Inc.（策略机器人公司） ； Strategic Machine, Inc.（战略机器公司） ； Optimized Markets, Inc.（优化市场公司） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 针对生存分析中预测模型与分配决策目标不一致的问题，提出基于归一化折现累积增益（NDCG）的决策聚焦学习方法，通过优化NDCG提升分配效果，在心脏移植数据上使基线模型NDCG提升50-100%。

GeoMAE: Masking Representation Learning for Spatio-Temporal Graph Forecasting with Missing Values

GeoMAE：面向缺失值的时空图预测的掩码表示学习

Songyu Ke, Chenyu Wu, Yuxuan Liang, Huiling Qin, Junbo Zhang, Yu Zheng

机构 * College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院） ； JD Intelligent Cities Research（京东智能城市研究院） ； School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机与人工智能学院） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Beijing Normal University（北京师范大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 提出GeoMAE自监督模型，通过输入预处理、注意力时空预测网络和掩码自编码器辅助任务，解决缺失数据下的时空图预测问题，在真实数据集上相对最优基线提升13.20%。

Comments 34 pages for pre-print version. This work has been published in *Neural Networks*. Please check the latest version via the following DOI

Explainable AI for Data-Driven Design of High-Dimensional Predictive Studies

为高维预测研究的数据驱动设计开发可解释的AI

Junyu Yan, Damian Machlanski, Kurt Butler, Panagiotis Dimitrakopoulos, Ewen M Harrison, Bruce Guthrie, Sotirios A Tsaftaris

机构 * School of Engineering, University of Edinburgh（爱丁堡大学工程学院） ； Causality in Healthcare AI Hub (CHAI)（医疗因果AI枢纽） ； Advanced Care Research Centre, Usher School of Population Health Sciences, University of Edinburgh（先进护理研究中心，乌瑟人口健康科学学院，爱丁堡大学） ； Centre for Medical Informatics, Usher School of Population Health Sciences, University of Edinburgh（医学信息学中心，乌瑟人口健康科学学院，爱丁堡大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出了一种可解释的AI推荐系统，通过数据驱动的方法改进现有可解释统计模型的预测性能，主要贡献是通过可解释AI技术提供三种推荐类型以提高模型的预测能力和透明度。

Comments 41 pages, 7 figures

Needles in the Landscape: Semi-Supervised Pseudolabeling for Archaeological Site Discovery under Label Scarcity

景观中的针：在标签稀缺条件下用于考古遗址发现的半监督伪标签方法

Simon Jaxy, Anton Theys, Patrick Willett, W. Chris Carleton, Ralf Vandam, Pieter Libin

机构 * Sensors, Royal Military Academy, Brussels, Belgium AMGC (Archaeology, Environmental Changes \& Geo-Chemistry), Vrije Universiteit Brussel Max Planck Institute of Geoanthropology, Jena, Germany Shared first author Shared last author 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG、cs.CV；predictive model(abstract)

AI总结 本文提出了一种非对称双伪标签（DPL）方法，通过端到端深度学习直接从多波段遥感影像中学习稀疏正样本，无需人工特征工程或对遗址不存在的假设，在两个著名的考古数据集上进行了评估。DPL在Sagalassos数据集上优于LAMAP基线，在F1和召回率上分别提高了12%和29%，而在Cyprus数据集上，DPL在无确认负样本的纯PU设置中恢复了判别能力。DPL的集成产生可解释的概率表面，支持调查规划，从最小的标记数据中有效发现遗址。

Code as Agent Harness

代码作为代理工具

Xuying Ning, Katherine Tieu, Dongqi Fu, Tianxin Wei, Zihao Li, Yuanchen Bei, Jiaru Zou, Mengting Ai, Zhining Liu, Ting-Wei Li, Lingjie Chen, Yanjun Zhao, Ke Yang, Bingxuan Li, Cheng Qian, Gaotang Li, Xiao Lin, Zhichen Zeng, Ruizhong Qiu, Sirui Chen, Yifan Sun, Xiyuan Yang, Ruida Wang, Rui Pan, Chenyuan Yang, Dylan Zhang, Liri Fang, Zikun Cui, Yang Cao, Pan Chen, Dorothy Sun, Ren Chen, Mahesh Srinivasan, Nipun Mathur, Yinglong Xia, Hong Li, Hong Yan, Pan Lu, Lingming Zhang, Tong Zhang, Hanghang Tong, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta ； Stanford University（斯坦福大学） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.AI

AI总结 本文探讨了代码在代理系统中的作用，提出了一种统一的视角，将代码视为代理基础设施的基础，并讨论了代理工具接口、机制以及扩展到多代理系统的挑战。

Comments GitHub: https://github.com/YennNing/Awesome-Code-as-Agent-Harness-Papers

WELD: The First Naturalistic Long-Period Small-Team Workplace Emotion Dataset for Ubiquitous Affective Computing

WELD：首个自然长期小团队工作场所情感数据集用于无处不在的情感计算

Xiao Sun

机构 * AnHui Province Key Laboratory of Affective Computing and Advanced Intelligent Machines, School of Computer Science and Information Engineering, Hefei University of Technology（安徽省情感计算与先进智能机器重点实验室，计算机科学与信息工程学院，合肥工业大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 WELD是首个自然长期小团队工作场所情感数据集，包含733780个每帧七类面部表情概率向量，用于支持长期情感计算研究，验证了三个已知现象并发现四个新结果。

Comments v2: Major revision. 30-month report with full ethics framework, 4-tier access model, variance decomposition, HMM regime discovery, AUC=0.79 vs C-index=0.52 turnover-prediction methodology audit, and Asian-neutral-face FER bias finding. Companion: arXiv:2510.16046. 49 employees, 733,780 records, 17 pages. Submitted to IEEE TAFFC

Uncertainty Quantification as a Principled Foundation for Explainable Artificial Intelligence: A Case Study of Counterfactual Explanations

不确定性量化作为可解释人工智能的原理性基础：反事实解释的案例研究

Kacper Sokol, Santo M. A. R. Thies, Eyke Hüllermeier

机构 * Department of Informatics, USI Lugano（乌里大学信息学院） ； Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） ； Institute of Informatics, LMU Munich（慕尼黑大学信息研究所） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文通过反事实可解释性中的不确定性量化，展示其作为统一框架的潜力，提出两种解释器变体，并证明其在性能上优于现有方法。

DrugSAGE:Self-evolving Agent Experience for Efficient State-of-the-Art Drug Discovery

DrugSAGE: 自演化代理经验用于高效前沿药物发现

Yikun Zhang, Xiwei Cheng, Tianyu Liu, Yuanqi Du, Wengong Jin

机构 * Northeastern University（东北大学） ； Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所） ； Yale University（耶鲁大学） ； Microsoft Research New England（微软研究院新英格兰分部） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 DrugSAGE通过自演化代理经验框架，高效构建前沿药物发现模型，跨任务记忆提升模型性能，实现零次搜索下的显著优势。

Matrix-Space Reinforcement Learning for Reusing Local Transition Geometry

矩阵空间强化学习用于重用局部转移几何

Zuyuan Zhang, Carlee Joe-Wong, Tian Lan

机构 * The George Washington University（乔治·华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出矩阵空间强化学习（MSRL），通过正定矩阵描述轨迹片段，提取共享结构并支持抽象矩阵空间中的代数组合，实现在新任务中的迁移学习。

Rethinking external validation for the target population: Capturing patient-level similarity with a generative model

重新思考目标人群的外部验证：利用生成模型捕捉患者层面的相似性

Mohammad Azizmalayeri, Ameen Abu-Hanna, Saskia Houterman, Marije M. Vis, Giovanni Cinà

机构 * Amsterdam UMC location University of Amsterdam, Dept of Medical Informatics（阿姆斯特丹大学医学中心（Amsterdam UMC）医学信息学系） ； Amsterdam Public Health Research Institute（阿姆斯特丹公共卫生研究所） ； Netherlands Heart Registration (NHR)（荷兰心脏登记处） ； Amsterdam UMC, Dept of Cardiology（阿姆斯特丹大学医学中心（Amsterdam UMC）心内科部） ； Institute for Logic, Language and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言和计算研究所） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出利用生成模型量化外部患者与开发数据的相似性，以区分模型缺陷与病例混合效应，提升外部验证的可解释性。

PropSplat: Map-Free RF Field Reconstruction via 3D Gaussian Propagation Splatting

PropSplat: 通过3D高斯传播散射实现无地图的射频场重建

William Bjorndahl, Maninder Pal Singh, Farhad Nouri, Joseph Camp

机构 * Department of Electrical and Computer Engineering, Southern Methodist University, Dallas, TX, USA（电气与计算机工程系，南方 Methodist 大学，德克萨斯州达拉斯市） ； Department of Engineering Technology, University of Houston, Houston, TX, USA（工程技术系，德克萨斯大学休斯敦分校） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.LG

AI总结 PropSplat利用3D各向异性高斯体重建射频场，无需地理数据或外部信息，通过端到端优化实现精准传播建模，优于现有方法。

Comments Accepted for presentation at IEEE DySPAN 2026

Reliable Microservice Tail Latency Prediction via Decoupled Dual-Stream Learning and Gradient Modulation

通过解耦双流学习和梯度调制实现可靠微服务尾延迟预测

Wenzhuo Qian, Hailiang Zhao, Jiayi Chen, Ziqi Wang, Tianlv Chen, Zhiwei Ling, Xinkui Zhao, Kingsum Chow, Albert Y. Zomaya, Shuiguang Deng

机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Software Technology, Zhejiang University（浙江大学软件学院） ； Polytechnic Institute, Zhejiang University（浙江大学 polytechnic 院） ； School of Computer Science, University of Sydney（悉尼大学计算机科学学院） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出USRFNet框架，通过解耦需求与容量建模，利用图神经网络和门控MLP分别建模流量和资源动态，结合层次张量融合提升预测精度，实验显示在三个真实世界基准上MAPE降低15.62%-26.11%。

User Simulation in the Era of Generative AI: User Modeling, Synthetic Data Generation, and System Evaluation

生成AI时代用户模拟：用户建模、合成数据生成与系统评估

Krisztian Balog, ChengXiang Zhai

机构 * University of Stavanger（斯塔万格大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文探讨生成AI时代用户模拟的跨学科应用，提出从传统预测模型向生成方法转变，并强调伦理考量与AGI追求的理论联系，建立学术与产业的创新生态系统。

Learned Elevation Models as a Lightweight Alternative to LiDAR for Radio Environment Map Estimation

学习的高程模型作为LiDAR的轻量级替代方案用于无线电环境图估计

Ljupcho Milosheski, Fedja Močnik, Mihael Mohorčič, Carolina Fortuna

机构 * Department of Communication Systems, Jožef Stefan Institute（Jožef Stefan研究所通信系统系） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.AI

AI总结 本文提出一种两阶段框架，利用卫星RGB图像学习高程模型，替代传统LiDAR数据，提升无线电环境图估计的精度和效率。

Comments 6 pages, 3 figures, 3 tables Submitted to PIMRC 2026

Analysis of Efficient Transmission Methods of Grid Maps for Intelligent Vehicles

智能车辆网格地图高效传输方法分析

Robin Dehler, Dominik Authaler, Aryan Thakur, Thomas Wodtko, Michael Buchholz

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.RO

AI总结 本文分析了智能车辆网格地图传输问题，提出基于补丁的通信管道以高效传输网格地图数据，通过实验证明其在车载和V2X通信中的有效性。

Comments Accepted for 2026 IEEE Intelligent Vehicles Symposium (IV) - DOI will be added after publication

Generating Humanless Environment Walkthroughs from Egocentric Walking Tour Videos

从第一人称行走游览视频生成无人类环境 walkthroughs

Yujin Ham, Junho Kim, Vivek Boominathan, Guha Balakrishnan

机构 * Rice University（莱斯大学） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.CV

AI总结 本文提出一种生成算法，通过去除行走视频中的人和阴影效果，提升环境建模应用，使用半合成数据集训练Casper模型，实现高质量的无人类视频生成，进而构建三维/四维城市模型。

Decoding Defensive Coverage Responsibilities in American Football Using Factorized Attention Based Transformer Models

利用基于因子化注意力的变换器模型解码美式足球防守覆盖责任

Kevin Song, Evan Diewald, Ornob Siddiquee, Chris Boomhower, Keegan Abdoo, Mike Band, Amy Lee

机构 * Amazon Web Services, Seattle, WA, USA（亚马逊云服务（AWS），美国华盛顿州西雅图） ； National Football League, New York, NY, USA（美国国家橄榄球联盟（NFL），美国纽约州纽约市） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG、cs.CV；predictive model(abstract)

AI总结 本文提出基于因子化注意力的变换器模型，用于预测美式足球比赛中防守球员的覆盖分配、接球手与防守球员的配对及每次传球的受攻防守球员，实现了对球员责任的动态预测。

Comments 19 pages, 8 figures, ISACE 2026

SpecTM: Spectral Targeted Masking for Trustworthy Foundation Models

SpecTM：用于可信基础模型的频谱定向遮蔽

Syed Usama Imtiaz, Mitra Nasr Azadani, Nasrin Alamdari

机构 * Department of Civil and Environmental Engineering（土木与环境工程系） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出SpecTM，一种结合物理约束的遮蔽设计，通过预训练时利用交叉频谱上下文重建目标波段，提升EO领域基础模型的可信度和可解释性。

Comments Accepted to IEEE IGARSS 2026

Failure Detection in Chemical Processes Using Symbolic Machine Learning: A Case Study on Ethylene Oxidation

利用符号机器学习进行化学过程故障检测：乙烯氧化的案例研究

Julien Amblard, Niklas Groll, Matthew Tait, Mark Law, Gürkan Sin, Alessandra Russo

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文利用符号机器学习预测化学过程故障，通过乙烯氧化案例展示其在解释性与预测性能上的优势。

Comments Accepted at AAAI-MAKE 2026

When Validation Fails: Cross-Institutional Blood Pressure Prediction and the Limits of Electronic Health Record-Based Models

当验证失败时：跨机构血压预测与基于电子健康记录模型的局限性

Md Basit Azam, Sarangthem Ibotombi Singh

机构 * Dept of CSE, Tezpur University, Tezpur, Assam, INDIA.（计算机科学与工程系，泰浦大学，泰浦，阿萨姆，印度） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文研究了跨机构血压预测模型的局限性，发现内部验证表现良好但外部验证效果差，揭示了机构间差异对模型泛化能力的影响。

Cliqueformer: Model-Based Optimization with Structured Transformers

Cliqueformer: 基于结构变换器的模型优化

Jakub Grudzien Kuba, Pieter Abbeel, Sergey Levine

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 Cliqueformer通过功能图模型学习黑盒函数结构，提升模型优化性能，适用于蛋白质工程和材料发现等设计任务。

Federated Learning with Multi-Partner OneFlorida+ Consortium Data for Predicting Major Postoperative Complications

基于多合作伙伴OneFlorida+联盟数据的联邦学习用于预测重大术后并发症

Yuanfang Ren, Varun Sai Vemuri, Zhenhong Hu, Benjamin Shickel, Ziyuan Guan, Tyler J. Loftus, Parisa Rashidi, Tezcan Ozrazgat-Baslanti, Azra Bihorac

机构 * Intelligent Clinical Care Center, University of Florida（佛罗里达大学智能临床护理中心） ； Department of Medicine, Division of Nephrology, Hypertension, and Renal Transplantation, University of Florida（佛罗里达大学医学系肾病、高血压和肾移植分部） ； Department of Surgery, University of Florida（佛罗里达大学外科系） ； Department of Biomedical Engineering, University of Florida（佛罗里达大学生物医学工程系） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本研究利用多中心数据开发并验证了联邦学习模型，以预测重大术后并发症和死亡率，展示了联邦学习在隐私保护下的强大泛化能力。

Comments 1 figure, 6 tables

Age Predictors Through the Lens of Generalization, Bias Mitigation, and Interpretability: Reflections on Causal Implications

通过泛化、偏差缓解和可解释性视角的年龄预测器：对因果影响的反思

Debdas Paul, Elisa Ferrari, Irene Gravili, Alessandro Cellerino

机构 * Leibniz Institute on Aging — Fritz Lipmann Institute (FLI)（利普希茨衰老研究所——弗里茨·利普曼研究所） ； Scuola Normale Superiore（正常大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文探讨了通过消除外源性属性如种族、性别或组织来提升年龄预测的泛化能力，讨论了可解释神经网络模型在因果推断中的局限性。

An Interpretable Machine Learning Framework for Non-Small Cell Lung Cancer Drug Response Analysis

一种可解释的机器学习框架用于非小细胞肺癌药物反应分析

Ann Rachel, Pranav M Pawar, Mithun Mukharjee, Raja M, Tojo Mathew

机构 * Department of Computer Science（计算机科学系） ； Birla Institute of Technology and Science Pilani（比拉理工学院和科学学院） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG、cs.CV；predictive model(abstract)

AI总结 本文提出基于多组学数据的可解释机器学习框架，利用XGBoost预测肺癌药物反应，并通过SHAP和DeepSeek解释关键基因和通路的作用。

Comments 26 pages, 8 figures