University of Cambridge（剑桥大学）

Deriving Health Metrics from the Photoplethysmogram: Benchmarks and Insights from MIMIC-III-Ext-PPG

从光脉冲波形导出健康指标：基于MIMIC-III-PPG的基准和洞察

Mohammad Moulaeifard, Philip J. Aston, Peter H. Charlton, Nils Strodthoff

机构 * AI4Health Department, Oldenburg University（AI4Health部门，旧恩斯特堡大学） ； Department of Data Science and AI, National Physical Laboratory（数据科学与人工智能系，国家物理实验室） ； School of Mathematics and Physics, University of Surrey（数学与物理学院，萨里大学） ； Department of Public Health and Primary Care, University of Cambridge（公共卫生与初级保健系，剑桥大学） 纠错

AI总结 本文基于MIMIC-III-PPG数据集，建立了PPG临床预测的综合基准，涵盖心律分类和生理参数回归，首次评估了PPG在非房颤和房扑的普遍性心律失常检测中的性能，展示了PPG在多任务临床预测中的应用价值。

Comments 22 pages, 1 figure

Identifiability and amortized inference limitations in Kuramoto models

库莫托模型中的可识别性与均摊推断限制

Emma Hannula, Jana de Wiljes, Matthew T. Moores, Heikki Haario, Lassi Roininen

机构 * LUT University（卢托大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 研究探讨了库莫托模型中参数识别与均摊推断的限制，提出了一种基于神经网络的贝叶斯推断方法，实现快速可扩展的推断，适用于同步现象分析。

Sheaf4Rec: Sheaf Neural Networks for Graph-based Recommender Systems

Sheaf4Rec: 基于图的推荐系统中的Sheaf神经网络

Antonio Purificato, Giulia Cassarà, Federico Siciliano, Pietro Liò, Fabrizio Silvestri

机构 * Sapienza University of Rome（罗马大学萨皮恩扎） ； University of Cambridge（剑桥大学） 纠错

AI总结 Sheaf4Rec通过引入范畴论启发的Sheaf神经网络，改进了传统GNN对用户和物品的表示方法，提升了推荐系统在F1-Score@10和NDCG@10上的性能，并在效率上也取得显著提升。

Comments 21 pages, 8 figures

Hierarchical Multiscale Structure-Function Coupling for Brain Connectome Integration

层次化多尺度结构-功能耦合用于脑连接组整合

Jianwei Chen, Zhengyang Miao, Wenjie Cai, Jiaxue Tang, Boxing Liu, Yunfan Zhang, Yuhang Yang, Hao Tang, Carola-Bibiane Schönlieb, Zaixu Cui, Du Lei, Shouliang Qi, Chao Li

机构 * School of Medicine, University of Dundee, UK（邓迪大学医学院） ； School of Science and Engineering, University of Dundee, UK（邓迪大学科学与工程学院） ； College of Medicine and Biological Information Engineering, Northeastern University, China（东北大学医学院与生物信息工程学院） ； College of Medical Informatics, Chongqing Medical University, China（重庆医科大学医学信息学院） ； School of Airspace Science and Engineering, Shandong University, China（山东大学航空航天科学与工程学院） ； Chinese Institute for Brain Research, China（中国脑科学研究院） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（剑桥大学应用数学与理论物理系） ； Department of Clinical Neurosciences, University of Cambridge, UK（剑桥大学临床神经科学系） 纠错

AI总结 本文提出层次化多尺度结构-功能耦合框架，通过联合学习结构和功能连接组的模块化组织与层级耦合，提升脑连接组整合效果，验证了其在预测脑年龄、认知分数和疾病分类中的优越性。

A chemical language model for reticular materials design

一种用于网状材料设计的化学语言模型

Dhruv Menon, Vivek Singh, Xu Chen, Mohammad Reza Alizadeh Kiapi, Ivan Zyuzin, Hamish W. Macleod, Nakul Rampal, William Shepard, Omar M. Yaghi, David Fairen-Jimenez

机构 * Department of Chemical Engineering & Biotechnology, University of Cambridge（化学工程与生物技术系，剑桥大学） ； Department of Chemistry, University of California – Berkeley（化学系，加州大学伯克利分校） ； Bakar Institute of Digital Materials for the Planet, Berkeley, CA（为地球的数字材料研究所，伯克利，CA） ； KACST–UC Berkeley Center of Excellence for Nanomaterials for Clean Energy Applications, King Abdulaziz City for Science and Technology（清洁能源应用纳米材料卓越中心，国王阿卜杜勒-阿齐兹城市科学与技术中心） ； Synchrotron SOLEIL-UR1, L’Orme des Merisiers, Départementale 128, 91190 Saint-Aubin（SOLEIL-UR1同步辐射光源，L’Orme des Merisiers，Départementale 128，91190 Saint-Aubin） 纠错

AI总结 本文提出Nexerra-R1模型，通过生成有机连接体实现逆向设计，结合分布引导目标和化学验证，生成可合成的网状材料候选物。

Comments 45 pages, 26 figures, Supplementary Information included; code available at: https://github.com/fairen-group/nexerra-r1