Harvard University（哈佛大学）

Set-Aggregated Genome Embeddings for Microbiome Abundance Prediction

基于集合聚合基因组嵌入的微生物丰度预测

Younhun Kim, Georg K. Gerber, Travis E. Gibson

机构 * Brigham and Women's Hospital, Boston, MA, USA（布里法伦女性医院，波士顿，马萨诸塞州，美国） ； Harvard Medical School, Boston, MA, USA（哈佛医学院，波士顿，马萨诸塞州，美国） 纠错

AI总结 本文提出利用集合聚合基因组嵌入(SAGE)预测群落丰度，通过基因组语言模型的少样本学习能力，展示在新型基因组上优于传统生物信息学方法的泛化能力。

Comments 11 pages, 7 figures

Missingness-MDPs: Bridging the Theory of Missing Data and POMDPs

缺失性马尔可夫决策过程：弥合缺失数据理论与部分可观测马尔可夫决策过程之间的鸿沟

Joshua Wendland, Markel Zubia, Roman Andriushchenko, Maris F. L. Galesloot, Milan Ceska, Henrik von Kleist, Thiago D. Simao, Maximilian Weininger, Nils Jansen

机构 * Ruhr University Bochum（博德姆鲁尔大学） ； Brno University of Technology（布拉格技术大学） ； Radboud University Nijmegen（拉德博德大学奈杰姆） ； Harvard University（哈佛大学） ； Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 本文提出缺失性马尔可夫决策过程（miss-MDP），一种结合缺失数据理论的POMDP子类，通过学习缺失函数来解决未知缺失函数下的最优策略问题，证明所得策略在真miss-MDP中近似最优。

Probing Non-Equilibrium Grain Boundary Dynamics with XPCS and Domain-Adaptive Machine Learning

利用XPCS和域自适应机器学习探测非平衡晶界动力学

Mouyang Cheng, Bowen Yu, Chu-Liang Fu, Nina Andrejevic, Matthias T. Agne, Riley Hanus, Qiwei Wan, Nathan C. Drucker, Thanh Nguyen, Andrei Fluerasu, Lutz Wiegart, Xiaoqian M Chen, Daniel Pajerowski, Yongqiang Cheng, Joshua J Turner, G. Jeffrey Snyder, Mingda Li

机构 * Quantum Measurement Group, MIT（麻省理工学院量子测量组） ； Center for Computational Science and Engineering, MIT（麻省理工学院计算科学与工程中心） ； Department of Materials Science and Engineering, MIT（麻省理工学院材料科学与工程系） ； Department of Physics, MIT（麻省理工学院物理系） ； Department of Nuclear Science and Engineering, MIT（麻省理工学院核科学与工程系） ； Center for Nanoscale Materials, Argonne National Laboratory（阿贡国家实验室纳米尺度材料中心） ； Materials Science Institute, University of Oregon（俄勒冈大学材料科学研究所） ； Department of Materials Science and Engineering, Northwestern University（西北大学材料科学与工程系） ； Department of Applied Physics, School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院应用物理系） ； National Synchrotron Light Source II, Brookhaven National Laboratory（布鲁赫斯国家实验室同步辐射光源II） 纠错

AI总结 通过XPCS与域自适应机器学习研究晶界动力学，揭示非平衡条件下晶界弛豫的非平衡特性，并提取关键动力学参数。

Comments 14 pages, 4 figures

Faithful or Just Plausible? Evaluating the Faithfulness of Closed-Source LLMs in Medical Reasoning

忠实还是只是合理？评估闭源LLM在医学推理中的忠实性

Halimat Afolabi, Zainab Afolabi, Elizabeth Friel, Jude Roberts, Antonio Ji-Xu, Lloyd Chen, Egheosa Ogbomo, Emiliomo Imevbore, Phil Eneje, Wissal El Ouahidi, Aaron Sohal, Alisa Kennan, Shreya Srivastava, Anirudh Vairavan, Laura Napitu, Katie McClure

机构 * Stratified Precision ； Harvard Medical School（哈佛医学院） ； Imperial College London（帝国理工学院伦敦分校） ； National Health Service（国家健康服务系统） ； Ipsen France（Ipsen法国） ； University College London（伦敦大学学院） 纠错

AI总结 本文通过系统性黑盒评估，揭示闭源LLM在医学推理中的忠实性问题，发现链式推理步骤未必驱动预测，模型易受外部提示影响，强调忠实性比准确性更重要。

Journal ref Proceedings of Machine Learning Research, Vol. 297, pp. 1562-1591, 2026

Applying Vision Transformers on Spectral Analysis of Astronomical Objects

将视觉变换器应用于天体物体的光谱分析

Luis Felipe Strano Moraes, Ignacio Becker, Pavlos Protopapas, Guillermo Cabrera-Vives

机构 * Harvard Extension School（哈佛大学延伸学校） ； Harvard University（哈佛大学） ； John A. Paulson School of Engineering and Applied Science（约翰·A·保罗森工程与应用科学学院） ； Department of Computer Science（计算机科学系） ； Center for Data and Artificial Intelligence（数据与人工智能中心） ； Millennium Institute of Astrophysics (MAS)（千年天体物理研究所 (MAS)） ； Millennium Nucleus for Galaxies (MINGAL)（银河千年核 (MINGAL)） ； Heidelberg Institute for Theoretical Studies（海德堡理论研究所） 纠错

AI总结 本文将预训练的视觉变换器应用于天文光谱数据分析，通过将一维光谱转换为二维图像表示，利用空间自注意力机制捕捉局部和全局特征，实现了优于传统方法的分类和红移估计性能。

Comments 9 pages, 9 figures

Journal ref A&A 709, A122 (2026)

Interpretability Can Be Actionable

可解释性可以是可操作的

Hadas Orgad, Fazl Barez, Tal Haklay, Isabelle Lee, Marius Mosbach, Anja Reusch, Naomi Saphra, Byron Wallace, Sarah Wiegreffe, Eric Wong, Ian Tenney, Mor Geva

机构 * Kempner Institute at Harvard University（哈佛大学凯默纳研究所） ； University of Southern California（美国南加州大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； Tel Aviv University（特拉维夫大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Maryland（马里兰大学） ； University of Oxford（牛津大学） ； Northeastern University（东北大学） ； Boston University（波士顿大学） 纠错

AI总结 本文探讨了可解释性研究的核心问题，提出应以可操作性作为评价标准，通过具体性和验证性两个维度分析阻碍实际应用的障碍，并提出五个领域和评估框架。

Comments Accepted to ICML 2026

BEACON: Cross-Domain Co-Training of Generative Robot Policies via Best-Effort Adaptation

BEACON：通过最佳努力适应进行跨领域生成机器人策略的协同训练

Antong Zhang, Han Qi, Heng Yang

机构 * Department of Computer Science, Brown University（布朗大学计算机科学系） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） 纠错

AI总结 BEACON提出一种理论驱动框架，通过大量源演示和有限目标演示训练生成机器人策略，通过跨领域协同训练提升鲁棒性和数据效率。