本文提出一种结合局部轨迹子序列增强（SubSeq）和梯度加权类激活映射（Grad-CAM）的深度学习框架，可在轨迹数据有限的情况下实现循环肿瘤细胞（CTC）表型的高效、可解释分类，并提示全长轨迹存在信息冗余。
值得关注：这是将“数据增强”和“可解释性”同时引入 CTC 轨迹分类的研究，直接回应了深度学习在该任务中数据量小、不可解释的两大痛点。 与已有相关卡片相比，本条关注的是循环肿瘤细胞表型分类及微流控轨迹物理编码，而非优化器、天文瞬…
AutoSR 提出一种全自动符号回归系统，将搜索对象从“孤立方程”扩展为“持久的研究状态”，在有限噪声数据下同时追求数值拟合与科学可信度，并在九个基准挑战中全部恢复出代数等价关系。
值得关注：AutoSR 将符号回归从“方程级搜索”推进到“自动化科学调查”层面：不仅输出公式，还保留并利用科学记录来引导搜索和证明公式选择。与已有相关卡片中的 DASyR-LLM 相比，AutoSR 的增量在于：它用“研究状态”…
本文通过大规模实证研究发现：直接在大规模像素空间预训练文本到图像扩散模型收敛明显慢于潜空间；为此提出“潜空间→像素空间”（latent-to-pixel）的训练策略，在后期训练阶段切换到像素空间，最终使像素空间模型匹配或超越潜空间模型，并带来端到端推理速度提升 3.18～4.75 倍。
值得关注：现有主流文生图扩散模型多基于潜空间（如 Stable Diffusion 系列），潜空间需要额外的自编码器/解码器，且推理路径较长。 本文为像素空间大规模训练提供了一份系统性实证指南，可能改变“像素空间模型难以做大、做…
在仿真数据稀缺时，借助低成本解析模型作为先验（显式残差校正或先验蒸馏预训练），可显著提高高保真降噪频率预测的精度与数据效率。
值得关注：该研究展示了一种“物理解析知识 + 小样本仿真数据”的建模范式，能够缓解高保真仿真数据昂贵带来的瓶颈。显式残差校正与先验蒸馏预训练两条路线互补，分别对应“解析模型可在线调用”与“需要自包含预测器”两类部署需求。