Harvard University（哈佛大学）

Multi-context principal component analysis

多情境主成分分析

Kexin Wang, Salil Bhate, João M. Pereira, Joe Kileel, Matylda Figlerowicz, Anna Seigal

机构 * Harvard University（哈佛大学） ； Broad Institute of MIT and Harvard（哈佛-麻省理工Broad研究所） ； University of Georgia（佐治亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 多情境主成分分析（MCPCA）是一种理论和算法框架，用于识别跨不同情境子集共享的变异因素，应用于基因表达和语言模型数据，揭示隐藏的变异轴。

Comments 47 pages, 8 figures. Supplementary tables are provided as downloadable file

Beyond Affinity: A Benchmark of 1D, 2D, and 3D Methods Reveals Critical Trade-offs in Structure-Based Drug Design

超越亲和力：一种1D、2D和3D方法的基准测试揭示了基于结构的药物设计中的关键权衡

Kangyu Zheng, Kai Zhang, Jiale Tan, Xuehan Chen, Yingzhou Lu, Zaixi Zhang, Lichao Sun, Marinka Zitnik, Tianfan Fu, Zhiding Liang

机构 * Department of Computer Science Rensselaer Polytechnic Institute（计算机科学系伦塞拉尔理工学院） ； Department of Computer Science and Engineering Lehigh University（计算机科学与工程系莱斯大学） ； Department of Computer Science University of Southern California（计算机科学系南加州大学） ； Stanford Medicine Department of Pathology Stanford University（斯坦福医学部病理学系斯坦福大学） ； Princeton University（普林斯顿大学） ； Harvard Medical School（哈佛医学院） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Department of Computer Science and Engineering The Chinese University of Hong Kong（计算机科学与工程系香港中文大学） 纠错

AI总结 本文通过对比1D、2D和3D方法，揭示了基于结构的药物设计中不同算法的性能差异及关键权衡。

Composite Flow Matching for Reinforcement Learning with Shifted-Dynamics Data

用于具有偏移动态数据的强化学习的复合流匹配

Lingkai Kong, Haichuan Wang, Tonghan Wang, Guojun Xiong, Milind Tambe

机构 * School of Engineering and Applied Sciences（工程与应用科学学院） ； Harvard University（哈佛大学） 纠错

AI总结 CompFlow通过复合流匹配和最优传输理论，解决离线数据与在线动态不匹配的问题，提升强化学习样本效率。

Comments NeurIPS 2025 Spotlight