跳转至

NMI — Vol 8 Issue 3 · 2026-08-01

  • 共 9 篇 · Nature Machine Intelligence
  • 目录核对 ⚠️ 疑似漏 8 篇（对照 OpenAlex 19 篇）：10.1038/s42256-026-01188-x、10.1038/s42256-026-01199-8、10.1038/s42256-026-01219-7、10.1038/s42256-026-01193-0、10.1038/s42256-026-01192-1 等

统计计算 / 算法 (stat_computing, 1 篇)

1. 10.1038/s42256-026-01195-y · arXiv — Machine learning global atomic representations with Euclidean fast attention

  • 作者: J. Thorben Frank, Stefan Chmiela, Klaus-Robert Müller, Oliver T. Unke
  • 期刊/来源: Nature Machine Intelligence
  • 分类: vol 8 · issue 3 · pp 388-402
  • 相关性 3/10 · novelty: new_method
  • 摘要: 本文针对机器学习力场（MLFF）中长程相互作用的建模问题，提出了一种线性复杂度的注意力机制——Euclidean fast attention (EFA)。传统自注意力机制因二次复杂度难以应用于计算化学中的大体系，而EFA通过引入Euclidean rotary positional encodings (ERoPE) 在保持平移、旋转等物理对称性的前提下高效编码空间信息，将复杂度降至线性。方法可嵌入现有MLFF架构，实验表明EFA能准确描述传统MLFF失效的挑战性化学相互作用。对您而言，本文展示了在特定物理约束下设计高效计算机制的方法论，其线性复杂度思路与您关注的统计计算中算法效率问题直接相关，可作为了解计算化学领域数据建模需求的入门读物。
  • 关键技术: Euclidean fast attention (EFA), Euclidean rotary positional encodings (ERoPE), linear-scaling attention, machine learning force fields (MLFFs), long-range interaction modeling
  • 为什么对您有用: 本文属于gateway-reading范畴（Nature Machine Intelligence），对统计计算方向有参考价值：(1) 作为入门读物，它清晰阐述了计算化学中长程相互作用建模的挑战及现有方法的效率瓶颈，对领域外读者友好；(2) 武器库中'软件开发和算法效率'的直觉可直接理解其线性复杂度贡献，但核心的注意力机制设计（ERoPE）与您的技术栈（U-statistics、einsum）无直接交叉，属于'暂不可做'——缺少图神经网络/物理对称性编码的领域知识；(3) 值得花时间读全文以拓宽对计算约束下统计/机器学习算法的理解，但无需深入方法细节。

其他 (other, 8 篇)

1. 10.1038/s42256-026-01194-z — Computational framework to predict and shape human–machine interactions in closed-loop, co-adaptive neural interfaces

  • 作者: Maneeshika M. Madduri, Momona Yamagami, Si Jia Li, Sasha Burckhardt, Samuel A. Burden, Amy L. Orsborn
  • 期刊/来源: Nature Machine Intelligence
  • 机构: University of Washington · Rice University
  • 分类: vol 8 · issue 3 · pp 372-387
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出一个基于控制论和博弈论的计算框架，用于建模和预测闭环、共适应神经接口中用户与解码器之间的双向学习动态。研究通过实验平台（14名受试者）验证了该框架在自适应肌电接口中的有效性，能够刻画用户行为和解码器参数的变化，并预测解码器算法调整对共适应性能的影响。方法上，框架将用户与解码器视为两个相互适应的学习主体，利用博弈论分析其交互策略，控制理论则用于建模连续时间动态。实验结果表明，该框架可以指导共适应接口的设计，以优化性能并个性化设备。作为Nature Machine Intelligence上的方法学论文，本文对统计学家而言是了解人机交互中动态系统建模的入门读物，但核心工具（控制论、博弈论）与您的主要统计兴趣（因果推断、高维统计、U统计量）无直接方法学交叉。
  • 关键技术: control theory, game theory, co-adaptive systems, neural interfaces, closed-loop system modeling
  • 为什么对您有用: 本文属于general science（Nature Machine Intelligence）的gateway reading。作为入门读物，它清晰地阐述了共适应接口的科学问题、实验设置和建模思路，对数据/模型维度有明确描述（用户行为数据、解码器参数、性能指标），适合统计学家了解该领域。但您的技术武器库（非参数统计、U统计量、因果推断等）与本文核心方法（控制论、博弈论）不直接匹配，缺乏可迁移的方法学接口。因此，本文值得作为科普阅读拓宽视野，但暂不可做后续研究。

2. 10.1038/s42256-026-01200-4 · arXiv — Sample-efficient generative molecular design using memory manipulation

  • 作者: Jeff Guo, Junwu Chen, Anthony GX-Chen, Philippe Schwaller
  • 期刊/来源: Nature Machine Intelligence
  • 分类: vol 8 · issue 3 · pp 449-460
  • 相关性 3/10

3. 10.1038/s42256-026-01202-2 — Predicting and interpreting cell-type-specific drug responses in the small-data regime using inductive priors

  • 作者: Reem Alsulami, Robert Lehmann, Sumeer A. Khan, Vincenzo Lagani, Alberto Maillo, David Gomez-Cabrero et al.
  • 期刊/来源: Nature Machine Intelligence
  • 机构: King Abdullah University of Science and Technology · Ilia State University · Universidad Pública de Navarra (UPNA) · Navarrabiomed · Karolinska University Hospital · Karolinska Institutet · Science for Life Laboratory
  • 分类: vol 8 · issue 3 · pp 461-473
  • 相关性 3/10

4. 10.1038/s42256-026-01186-z — A robot operating system framework for using large language models in embodied AI

  • 作者: Christopher E. Mower, Yuhui Wan, Hongzhan Yu, Antoine Grosnit, Jonas Gonzalez-Billandon, Matthieu Zimmer et al.
  • 期刊/来源: Nature Machine Intelligence
  • 机构: Huawei Technologies (United Kingdom) · University of Leeds · Technische Universität Darmstadt · ETH Zurich · University College London
  • 分类: vol 8 · issue 3 · pp 313-325
  • 相关性 3/10

5. 10.1038/s42256-026-01189-w · arXiv — Learning collision risk proactively from naturalistic driving data at scale

  • 作者: Yiru Jiao, Simeon C. Calvert, Sander van Cranenburgh, Hans van Lint
  • 期刊/来源: Nature Machine Intelligence
  • 分类: vol 8 · issue 3 · pp 337-350
  • 相关性 3/10 · novelty: application
  • 摘要: 本文提出广义替代安全度量（GSSM），一种从自然驾驶数据中学习碰撞风险的数据驱动方法，无需碰撞或风险标签。GSSM 仅利用瞬时运动学特征，在 2591 个真实碰撞和近碰撞事件上达到 0.9 的 AUC-PR，并实现中位 2.6 秒的提前预警。该方法通过整合交互模式和上下文因素进一步提升性能，在追尾、并道和转弯等场景中均优于现有基线。GSSM 为自动驾驶系统和交通事件管理提供了可扩展、上下文感知且泛化性强的风险识别基础。代码和数据已开源。作为 Nature Machine Intelligence 上的多学科旗舰论文，本文对统计学家而言是了解交通风险建模中数据驱动方法的入门读物，但方法学新颖性有限（主要为应用和工程贡献）。
  • 关键技术: surrogate safety measure, naturalistic driving data, precision-recall curve, context-aware risk modeling
  • 为什么对您有用: 本文属于 general science 多学科旗舰期刊的 gateway reading。作为数据统计学家，本文清晰展示了交通风险建模中的数据结构和模型假设（运动学特征、交互模式、上下文因素），适合作为了解该领域的入门读物。武器库中的非参数统计和软件工程经验足以支撑理解其方法，但本文无直接可迁移的方法学贡献，属于暂不可做的领域拓展阅读。

6. 10.1038/s42256-026-01196-x · arXiv — A universal spin–orbit-coupled Hamiltonian model for accelerated quantum material discovery

  • 作者: Yang Zhong, Rui Wang, Xingao Gong, Hongjun Xiang
  • 期刊/来源: Nature Machine Intelligence
  • 分类: vol 8 · issue 3 · pp 403-414
  • 相关性 3/10

7. 10.1038/s42256-026-01198-9 — Conditional diffusion with locality-aware modal alignment for generating diverse protein conformational ensembles

  • 作者: Baoli Wang, Chenglin Wang, Jingyang Chen, Danlin Liu, Changzhi Sun, Jie Zhang et al.
  • 期刊/来源: Nature Machine Intelligence
  • 机构: East China University of Science and Technology · East China Normal University · Fudan University · Shanghai Center for Brain Science and Brain-Inspired Technology
  • 分类: vol 8 · issue 3 · pp 415-434
  • 相关性 3/10

8. 10.1038/s42256-026-01209-9 — Author Correction: Mask-prior-guided denoising diffusion improves inverse protein folding

  • 作者: Peizhen Bai, Filip Miljković, Xianyuan Liu, Leonardo De Maria, Rebecca Croasdale-Wood, Owen Rackham et al.
  • 期刊/来源: Nature Machine Intelligence
  • 机构: AstraZeneca (United Kingdom) · University of Sheffield · AstraZeneca (Sweden) · University of Southampton
  • 分类: vol 8 · issue 3 · pp 489-489
  • 相关性 0/10

Maintained by 陈星宇 · Homepage · Source on GitHub

评论