Harvard University（哈佛大学）

Computational Design and Experimental Validation of Photoactive PARP1 Inhibitors

光激活PARP1抑制剂的计算设计与实验验证

Simon Axelrod, Miroslav Kašpar, Kristýna Jelínková, Markéta Šmídková, Erika Bartůňková, Sille Štěpánová, Eugene Shakhnovich, Václav Kašička, Martin Dračínský, Zlatko Janeba, Rafael Gómez-Bombarelli

机构 * Department of Chemistry and Chemical Biology, Harvard University, Cambridge, MA, 02138（哈佛大学化学与生物化学系） ； Institute of Organic Chemistry and Biochemistry of the Czech Academy of Sciences, Flemingovo nám. 2, 160 00 Prague 6, Czech Republic（捷克科学院有机化学与生物化学研究所） ； Department of Materials Science and Engineering, Massachusetts Institute of Technology, Cambridge, MA, 02139（麻省理工学院材料科学与工程系） 纠错

AI总结 本文通过计算方法筛选出具有红移吸收光谱的PARP1光抑制剂候选物，并通过实验验证其光响应特性，展示了计算指导的筛选策略及当前研究的局限性。

Differentiable Faithfulness Alignment for Cross-Model Circuit Transfer

可微的忠实对齐用于跨模型电路转移

Shun Shao, Binxu Wang, Shay B. Cohen, Anna Korhonen, Yonatan Belinkov

机构 * University of Cambridge（剑桥大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所） ； University of Edinburgh（爱丁堡大学） ； Technion（技术学院） 纠错

AI总结 本文提出DFA框架，通过学习可微对齐将小模型的电路信息转移到大模型，实验证明在事实检索、多选推理和算术任务中，DFA在Llama-3 1B→3B任务中表现优异，且在某些情况下恢复的电路忠实度不低于直接归因。

Comments 10 pages, 5 figures

Integrative neurocybernetic modeling in the era of large-scale neuroscience

大规模神经科学时代的整合神经计算建模

Il Memming Park, Ayesha Vermani, Gonzalo G. de Polavieja, Juan Álvaro Gallego, Kathleen Esfahany, Shreya Saxena, Michael Orger, Auke Ijspeert, Matthew Dowling, Daniel McNamee, Srinivas C. Turaga, Zachary Mainen, Joseph J. Paton, Alfonso Renart

机构 * Champalimaud Centre for the Unknown（Champalimaud 未知中心） ； Janelia Research Campus（Janelia 研究campus） ； Harvard University（哈佛大学） ； Yale University（哥伦比亚大学） ； École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院） ； RyvivyR Inc（RyvivyR 公司） 纠错

AI总结 本文提出整合神经计算模型，通过结合非线性状态空间模型和元动力学扩展，实现对脑体环境闭环耦合的建模，旨在推断神经和行为动态的组织原则。

Comments Perspective

Masked by Consensus: Disentangling Privileged Knowledge in LLM Correctness

被共识掩盖：在LLM正确性中解构特权知识

Tomer Ashuach, Shai Gretz, Yoav Katz, Yonatan Belinkov, Liat Ein-Dor

机构 * Technion – Israel Institute of Technology（技术学院–以色列理工学院） ； IBM Research（IBM研究院） ； Kempner Institute, Harvard University（哈弗大学凯普纳研究所） 纠错

AI总结 研究探讨大语言模型是否具备类似人类的内部状态评估正确性知识，通过自代表和外部模型对比发现，在分歧子集上，自代表在事实任务中表现更优，但数学推理中无优势。

Comments Accepted to ACL 2026 (Main Conference). 8 pages, 16 figures, 2 tables

CRISP: Persistent Concept Unlearning via Sparse Autoencoders

CRISP：通过稀疏自编码器实现持久性概念卸载

Tomer Ashuach, Dana Arad, Aaron Mueller, Martin Tutek, Yonatan Belinkov

机构 * Technion – Israel Institute of Technology（技术ion-以色列理工学院） ； Boston University（波士顿大学） ； University of Zagreb, FER（Zagreb大学，FER） ； Kempner Institute, Harvard University（哈佛大学 Kempner研究所） 纠错

AI总结 CRISP利用稀疏自编码器实现持久性概念卸载，通过自动识别多层显著SAE特征并抑制其激活，优于现有方法，在WMDP基准的安全关键卸载任务中有效移除有害知识并保持通用能力。

Comments Accepted to ACL 2026

Supernodes and Halos: Loss-Critical Hubs in LLM Feed-Forward Layers

超节点和光环：LLM前馈层中的损失关键枢纽

Audrey Cherilyn, Houman Safaai

机构 * Kempner Institute at Harvard University（哈佛大学凯普纳研究所） 纠错

AI总结 研究Transformer前馈网络中通道级重要性的组织方式，发现损失敏感性集中于少量通道，通过损失代理展示超节点和光环结构，验证保护核心对结构化剪枝的重要性。

Domain-Adapted Fine-Tuning of ECG Foundation Models for Multi-Label Structural Heart Disease Screening

领域适应的ECG基础模型微调用于多标签结构性心脏病筛查

Duc N. Do, Minh N. Do, Dang Nguyen, Khanh T. Q. Le, Khoa D. Pham, Hung N. Huynh, Phi Pham-Van-Hoang, Quan K. Huynh, Ramez M. Odat, Perisa Ashar, Ethan Philip Lowder, Minh H. N. Le, Hoang Le, Phat V. H. Nguyen, Quan Le, Jacques Kpodonu, Phat K. Huynh

机构 * PASSIO Laboratory, North Carolina A&T State University（北卡罗来纳阿塔州立大学PASSIO实验室） ； Department of Computer Science, University of Manitoba（曼尼托巴大学计算机科学系） ； Harvard T.H. Chan School of Public Health, Harvard University（哈佛大学T.H. Chan公共卫生学院） ； Department of Medicine, Jordan University of Science and Technology（约旦科学与技术大学医学院） ； Department of Biomedical Engineering, Duke University（达特茅斯大学生物医学工程系） ； Harvard Medical School（哈佛医学院） ； Beth Israel Deaconess Medical Center, Harvard Medical School（哈佛医学院贝塞斯达以色列德acons医疗中心） 纠错

AI总结 本文探讨了使用公开的EchoNext Mini-Model基准评估开放预训练的ECG基础模型在多标签结构性心脏病检测中的应用，通过领域适应和选择性监督微调提升性能。

Comments Accepted to Canadian AI 2026

Come Together: Analyzing Popular Songs Through Statistical Embeddings

聚拢：通过统计嵌入分析流行歌曲

Matthew Esmaili Mallory, Mark Glickman, Jason Brown

机构 * Harvard University（哈佛大学） ； Dalhousie University（达尔豪斯大学） 纠错

AI总结 本文利用逻辑主成分分析构建歌曲嵌入，分析列侬和麦卡特尼1962-1966年歌曲的结构和风格演变，探讨歌曲嵌入如何按专辑聚类及创作风格的收敛或发散。

Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction

训练-推断输入对齐在纵向视网膜图像预测中优于框架选择

Liyin Chen, Nazlee Zebardast, Mengyu Wang, Tobias Elze, Jason I. Comander

机构 * Department of Ophthalmology, Massachusetts Eye and Ear, Harvard Medical School（眼科部门，麻省眼耳医院，哈佛医学院） ； Harvard Ophthalmology AI Lab, Schepens Eye Research Institute, Harvard Medical School（哈佛眼科人工智能实验室，斯科普斯眼研究所，哈佛医学院） ； Ocular Genomics Institute, Massachusetts Eye and Ear, Harvard Medical School（眼科基因组研究所，麻省眼耳医院，哈佛医学院） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（麻省理工学院与哈佛大学 Broad 实验室，剑桥，马萨诸塞州，美国） 纠错

AI总结 本文研究了在纵向视网膜图像预测中，训练-推断输入对齐比框架选择更重要，通过分析任务熵和后验集中度，提出生成复杂度应与任务条件后验的熵匹配，实验表明对齐输入能显著提升性能，而框架选择无临床意义差异。

Not All Directions Matter: Towards Structured and Task-Aware Low-Rank Model Adaptation

并非所有方向都重要：迈向结构化和任务感知的低秩模型适应

Xi Xiao, Chenrui Ma, Yunbei Zhang, Chen Liu, Zhuxuanzi Wang, Yanshu Li, Lin Zhao, Guosheng Hu, Tianyang Wang, Hao Xu

机构 * University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； University of Virginia（弗吉尼亚大学） ； Tulane University（路易斯安那州立大学） ； Yale University（耶鲁大学） ； Brown University（布朗大学） ； Northeastern University（东北大学） ； University of Bristol（布里斯托尔大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出StructLoRA框架，通过信息瓶颈引导过滤和图协调器解决低秩适应中的语义漂移和结构不一致问题，实验证明其在多种模型上均优于传统LoRA及其他方法，尤其在低秩和低数据场景下表现突出。

Comments ACL 2026

Residual Feature Integration is Sufficient to Prevent Negative Transfer

残差特征整合足以防止负迁移

Yichen Xu, Ryumei Nakada, Linjun Zhang, Lexin Li

机构 * University of California, Berkeley（加州大学伯克利分校） ； Harvard University（哈佛大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 本文提出通过整合冻结的预训练源特征与可训练的目标编码器，有效防止负迁移，理论证明其收敛率不低于从头训练，并在多个数据集上验证了方法的鲁棒性与广泛适用性。

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)