University of Cambridge（剑桥大学）

3D-Aware Multi-Task Learning with Cross-View Correlations for Dense Scene Understanding

具有跨视角相关性的3D感知多任务学习

Xiaoye Wang, Chen Tang, Xiangyu Yue, Wei-Hong Li

机构 * University of Cambridge（剑桥大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Bristol（布里斯托大学） 纠错

AI总结 本文提出一种具有跨视角相关性的3D感知多任务学习方法，通过整合成本体积作为几何一致性来提升密集场景理解的性能。

Comments 3D-aware Multi-task Learning, Cross-view Correlations, Code will be available at https://github.com/WeiHongLee/CrossView3DMTL

Concept-Aware Batch Sampling Improves Language-Image Pretraining

概念感知的批量采样提升语言-图像预训练

Adhiraj Ghosh, Vishaal Udandarao, Thao Nguyen, Matteo Farina, Mehdi Cherti, Jenia Jitsev, Sewoong Oh, Elisa Ricci, Ludwig Schmidt, Matthias Bethge

机构 * Tübingen AI Center, University of Tübingen（图宾根人工智能中心，图宾根大学） ； University of Cambridge（剑桥大学） ； University of Washington（华盛顿大学） ； University of Trento（特伦托大学） ； LAION ； Stanford University（斯坦福大学） 纠错

AI总结 本研究提出CABS方法，通过概念感知的批量采样提升语言-图像预训练效果，提供灵活的任务适应性数据整理方案。

Comments Tech Report

Solving Heterogeneous Agent Models with Physics-informed Neural Networks

利用物理指导神经网络求解异质主体模型

Marta Grzeskiewicz

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出ABH-PINN求解器，利用物理指导神经网络解决异质主体模型中的连续时间动态问题，实现更高效和准确的计算。

Semantic-KG: Using Knowledge Graphs to Construct Benchmarks for Measuring Semantic Similarity

基于知识图谱构建衡量语义相似度的基准

Qiyao Wei, Edward Morrell, Lea Goetz, Mihaela van der Schaar

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出利用知识图谱构建语义相似度基准，通过生成不同领域的语义相似和不相似陈述对，评估多种语义相似度方法的性能，揭示领域和语义变化类型对方法效果的影响。

3D-Guided Scalable Flow Matching for Generating Volumetric Tissue Spatial Transcriptomics from Serial Histology

用于从连续组织学切片生成体积组织空间转录组的3D引导可扩展流匹配

Mohammad Vali Sanian, Arshia Hemmat, Amirhossein Vahidi, Jonas Maaskola, Jimmy Tsz Hang Lee, Stanislaw Makarchuk, Yeliz Demirci, Nana-Jane Chipampe, Muzlifah Haniffa, Omer Bayraktar, Lassi Paavolainen, Mohammad Lotfollahi

机构 * Cambridge Stem Cell Institute, University of Cambridge（剑桥干细胞研究所，剑桥大学） ； Cambridge Center for AI in Medicine, University of Cambridge（剑桥人工智能医学中心，剑桥大学） ； Department of Medicine, University of Cambridge（剑桥大学医学系） ； Computer Science Department, University of Oxford（牛津大学计算机科学系） ； Computer Science Department, University of Helsinki（赫尔辛基大学计算机科学系） ； Institute for Molecular Medicine Finland, University of Helsinki（芬兰分子医学研究所，赫尔辛基大学） ； Wellcome Sanger Institute（沃森桑格研究所） 纠错

AI总结 HoloTea通过3D引导的流匹配框架，利用相邻切片信息提升3D空间转录组的生成精度和泛化能力。

Comments 19 pages

Missing Data Imputation by Reducing Mutual Information with Rectified Flows

通过减少互信息进行缺失数据填补

Jiahao Yu, Qizhen Ying, Leyang Wang, Ziyue Jiang, Song Liu

机构 * University of Bristol（布里斯托大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； University College London（伦敦大学学院） 纠错

AI总结 本文提出了一种通过减少互信息来改进缺失数据填补的方法，通过迭代优化和ODE求解实现高效填补。

Dirac-Equation Signal Processing: Physics Boosts Topological Machine Learning

狄拉克方程信号处理：物理推动拓扑机器学习

Runyue Wang, Yu Tian, Pietro Liò, Ginestra Bianconi

机构 * School of Mathematical Sciences, Queen Mary University of London（伦敦玛丽女王大学数学科学学院） ； Nordita, KTH Royal Institute of Technology（北欧理论物理研究所、皇家理工学院） ； Stockholm University（斯德哥尔摩大学） ； Center for Systems Biology Dresden（德累斯顿系统生物学中心） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） 纠错

AI总结 本文提出狄拉克方程信号处理框架，利用拓扑狄拉克算子的谱特性，提升信号处理性能，适用于非平滑或非谐振的真实信号。

Comments (14 pages, 7 figures)

Journal ref PNAS nexus, 4(5), p.pgaf139 (2025)