Harvard University（哈佛大学）

CORAL: Learning Amyloid Fibril Ligand Docking with Cooperative Binding Rewards

CORAL：通过协同结合奖励学习淀粉样纤维配体对接

Yasheng Sun, Bohan Li, Youqi Tao, Jürgen Schmidhuber

机构 * Center of Excellence for Generative AI, KAUST（沙特阿卜杜拉国王科技大学生成式人工智能卓越中心） ； MoE Key Lab of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能教育部重点实验室） ； Stern Laboratory, Brigham and Women’s Hospital, Harvard University（哈佛大学布莱根妇女医院斯特恩实验室） 纠错

AI总结 研究针对淀粉样纤维配体对接面临的挑战，提出CORAL强化学习框架，通过纳入协同配体 - 配体堆叠能量及蛋白质 - 配体对接亲和力训练模型，引入评估集，实验证明其在姿态质量和结合亲和力相关性上优于现有基线。

Comments 25 pages

International Agreements to Limit Frontier AI: Objectives and Exit

限制前沿人工智能的国际协议：目标与退出

Lennart Finke

机构 * ETH Zürich, Zurich, Switzerland（苏黎世联邦理工学院） ； Harvard University, Cambridge, United States（哈佛大学） ； MATS Research, Berkeley, United States（MATS研究） 纠错

AI总结 研究限制人工智能发展的国际协议，通过调查现有协议，明确适当条件属性并列出可能条件，建议设定固定时间段，由新组织规定发展条件，特殊情况可退出，以此说明相关协议的考虑因素。

Capacity and Redundancy Trade-offs in Multi-Task Learning

多任务学习中的容量与冗余权衡

Asif Khan

机构 * Harvard Medical School（哈佛医学院） 纠错

AI总结 研究多任务学习中负迁移与容量、冗余的关系，通过容量 - 冗余恒等式及相关结果，如聚类差距分解和梯度 - TC 桥梁，证明聚类 LoRA 可降低残余耦合，优于随机划分，有显著收益。

Comments Accepted in 42nd Conference on Uncertainty in Artificial Intelligence (UAI) 2026

Unveiling Invariant and Transferable Latent Factors Across Heterogeneous Environments via ATLAS

通过ATLAS揭示异构环境中的不变和可转移潜在因素

Yihong Gu, Katherine Liao, Tianxi Cai

机构 * Harvard University（哈佛大学） 纠错

AI总结 研究异构环境下多环境因素模型，提出ATLAS方法，利用不变性原理和辅助标签监督，分离不变与异构因素，用于潜在因素回归，在新环境中实现可转移预测，还建立了相关非渐近误差界。

Comments 47 pages, 3 figures