Nature子刊新论文：单细胞模型「跑不赢基线」是度量问题
BoWang87 · x · 2026-10-06
王博（Bo Wang）团队新论文登上 Nature Biotechnology：「Deep Learning Perturbation Models Can Outperform Baselines on Calibrated Metrics」。
- 去年多篇论文断言深度学习扰动预测模型无法击败简单基线，动摇了「虚拟细胞」方向的可信度。
- 本文换个角度质疑：这些对比所用的度量本身能否区分好坏预测？答案常是不能——MSE、对照参照 Pearson Δ 等常用指标经常把无信息量的基线排在阳性对照之上。
- 改用校准指标（WMSE、加权 R²Δ、NIR）后，深度学习模型确实优于均值、对照和线性基线。
- 数据本身也关键：Norman19 数据集约 96% 为加性效应，模型只见到不到 1% 的非加性信号。
「研究」频道最新
- 华为诺亚提出 Tail-Influence Sampling:策略评估 CVaR 估计误差最高降 76% — huawei-noah · 2026-10-06
- Google 发布 KeyRec:仅用 10% 视觉 token 预算搞定长视频与流式理解 — google · 2026-10-06
- 4DCodeBench 基准:前沿模型能重建静态场景却搞不定动态物理 — 4DCodeBench · 2026-10-06
- OmniTask 论文:生成数据训练确能提升理解任务表现 — WeijiaShi2 · 2026-10-06
- 牛顿证乘积法则不用极限：离散对称差分让高阶项神奇消失 — ctjlewis · 2026-10-06
- DeepMind 从零设计酶：一酶产药靶分子效率高 99 倍，一酶 90°C 降解塑料 — 141_1337 · 2026-10-06