目录引言鲁棒性RobustnessLearning Reusable Mechanisms因果关系视角A Causality Perspective贡献总结因果建模的层次本篇内容来自因果表征学习综述 “Towards Casual Representation Learning”，表征学习Representation Learning是机器学习中的重要问题，良好的表征是机器学习算法成功的重要条件；

作者怀疑，随着大语言模型规模的增长，预训练已经把模型带到了一个极其富饶的“风水宝地”。在这里，传统观念中“大海捞针”的困境已经不存在了。为了验证这个猜想，他们决定用最原始、最被学术界鄙视的。

过去数月，AI技术实现了抗体设计领域的颠覆性突破：科研人员首次可通过计算机完成全新抗体的从头设计，而仅在一年前，尚无工具能通过计算方式可靠完成这一工作。目前，Nabla Bio、Chai Discovery、Isomorphic Labs（DeepMind衍生企业）等商业公司，以及BoltzGen、Germinal等开源工具，均已实现抗体设计的高成功率。抗体作为生物学领域最具通用性的工具之一，是修

异步强化学习

这篇论文（UniMedVL: Unifying Medical Multimodal Understanding and Generation through Observation-Knowledge-Analysis）提出了一种名为的统一医疗多模态大模型，旨在解决当前医疗AI系统中理解（如诊断报告）与生成（如图像合成）能力割裂的问题。以下是关于该论文中和。

首先要理解Q,K,VQ,K,VQ,K,V：Softmax(QKT)VSoftmax(QK^{T})VSoftmax(QKT)V假设window内的patch总数为3，则有：可以想象，对于3×33\times 33×3注意力分布，即QKTQK^{T}QKT，行代表query，列代表key，QKT[i,j]QK^{T}[i,j]QKT[i,j]为patch iii (query)和patch jjj

本文表明，掩码自编码器（MAE）是可扩展的计算机视觉自监督学习器。MAE很简单：我们随机屏蔽输入图像的patches，并重建这些缺失的像素。它基于两个核心设计。首先，我们开发了一种非对称编码器-解码器架构，其中编码器仅在可见的patch子集上运行（没有掩码token），以及一个轻量级解码器，该解码器从隐含表示和掩码token重建原始图像。其次，我们发现mask高比例的输入图像（例如75%）会产生重

半监督动物姿态估计

通过COLMAP可以得到场景的稀疏重建结果，其输出文件包括相机内参，相机外参和3D点的信息，然后进一步利用LLFF开源代码中的imgs2poses文件将内外参整合到一个文件poses_boudns.npy中，假设该场景有。首先，我们在像素坐标下进行网格点采样，得到特定分辨率图像的各个像素点坐标。注意NeRF中所说的观察方向，严格来说，是相机连接某个像素的方向，因为我们要沿着这个方向去渲染得到像素的

知识图谱(1)知识存储与检索