University of Oxford（牛津大学）

Reliable mechanistic operator recovery with biologically-informed neural networks: principles for architecture and optimisation design

基于生物信息神经网络的可靠机械算子恢复：架构与优化设计原理

Rebecca M. Crossley, Yuan Yin, Sarah L. Waters, Ruth E. Baker

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） 纠错

AI总结 研究生物信息神经网络用于机械算子恢复时网络架构、优化策略等因素对其的影响，通过对典型偏微分方程模型实证研究，发现成功推理依赖平衡目标，给出架构、参数设置建议及失败模式诊断方法，为生物模型发现提供指导。

Comments 63 pages, 27 figures

Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning

通过深度原生结构推理实现准确、跨学科和透明的结构-属性理解

Chen Tang, Yizhou Wang, Jianyu Wu, Lintao Wang, Shixiang Tang, Pengze Li, Encheng Su, Jun Yao, Jiabei Xiao, Yuqi Shi, Jielan Li, Hongxia Hao, Zhangyang Gao, Fang Wu, Ben Fei, Xiangyu Yue, Pan Tan, Bozitao Zhong, Jinouwen Zhang, Aoran Wang, Yan Lu, Jiaheng Liu, Xinzhu Ma, Liang Hong, Mingyue Zheng, Phil Torr, Bowen Zhou, Wanli Ouyang, Lei Bai

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； University of Sydney（悉尼大学） ； Nanjing University（南京大学） ； University of Oxford（牛津大学） ； The University of Science and Technology of China（中国科学技术大学） ； Drug Discovery and Design Center, State Key Laboratory of Drug Research, Shanghai Institute of Materia Medica, Chinese Academy of Sciences（药物发现与设计中心、国家药物研究重点实验室、上海中医药材料医学研究所、中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Stanford University（斯坦福大学） 纠错

AI总结 研究聚焦利用人工智能解释结构-属性关系的挑战，提出多模态科学基础模型SciReasoner，通过离散化结构信息为可寻址单元进行推理，在多领域基准测试中表现出色，实现准确预测与可解释科学推理的结合。

PRoVeFL: Private Robust and Verifiable Aggregation in Federated Learning

PRoVeFL：联邦学习中的隐私保护、健壮且可验证的聚合

Harsh Kasyap, Anil Kumar Pradhan, Ugur Ilker Atmaca, Graham Cormode, Carsten Maple

机构 * Indian Institute of Technology (BHU)（印度理工学院（博帕尔）） ； Vaulttree ； University of Warwick（沃里克大学） ； University of Oxford（牛津大学） ； Abdullah Gul University（阿卜杜勒·加勒大学） 纠错

AI总结 研究针对联邦学习中传统框架的安全问题，提出PRoVeFL框架，利用多服务器和多密钥全同态加密，兼容多种拜占庭健壮聚合算法并增强其可验证性，通过实验验证了该框架的可扩展性及相比现有工作在运行时的显著提升。

Comments 18 pages

MMDiff: Extending Diffusion Transformers for Multi-Modal Generation

MMDiff: 扩展扩散变换器用于多模态生成

Yagmur Akarken, Orest Kupyn, Christian Rupprecht

机构 * University of Oxford, Visual Geometry Group（牛津大学视觉几何组） 纠错

AI总结 提出MMDiff框架，利用冻结的扩散变换器通过轻量解码器联合生成图像及多种密集感知模态，发现多时间步特征融合与空间变化聚合权重是关键，在语义分割等任务上取得优异性能。