自然机器智能，在线发布:2022年12月8日;doi:10.1038/s42256-022-00575-4
学习动力系统的最小表示对于科学和工程中的数学建模和预测是必不可少的。Floryan和Graham提出了一种深度学习框架，能够通过将从高维时间序列数据中学习到的多个局部表示拼接在一起来估计准确的全局动态模型。自然机器智能，在线发布:2022年12月8日;doi:10.1038/s42256-022-00566-5
超宽视场视网膜成像的进步创造了对自动化疾病检测的需求。Engelmann和同事开发了一种用于视网膜疾病检测的深度学习模型。他们在比以前考虑的更现实的条件下评估它，并研究超宽视场图像的哪些区域对这种模型的性能很重要。自然机器智能，在线发布:2022年12月8日;doi:10.1038/s42256-022-00555-8
近年来，深度学习技术增强了从电子和扫描探针显微镜图像中提取有用的高分辨率物理信息的可能性。AtomAI是一个开源软件包，可以通过将深度学习和模拟工具纳入一系列仪器的单一框架来加速这一过程。自然机器智能，在线发布:2022年12月8日;doi:10.1038/s42256-022- 00575 -5
突变率对遗传和进化分析至关重要。Fang等人提出了一种可推广的深度学习方法，以DNA序列作为输入，构建精细尺度的突变率图，可以受益于依赖突变率的分析。自然机器智能，在线发布:2022年12月07日;doi:10.1038/s42256-022-00582-5
人工智能系统被用于越来越多的智力任务，但他们能发明吗，或者他们能很快做到吗?最近一系列关于两项发明的专利申请，据称是由人工智能程序完成的，将这些问题推向了前台。自然机器智能，在线发布:2022年12月05日;doi:10.1038/s42256-022-00568-3
对于任何机器学习系统来说，不断适应新数据都是一个挑战。虽然开发了解决这个问题的方法，但其性能难以比较。一个促进基准测试的新框架将方法分为三类，根据模型是否需要适应新的任务、领域或类来定义。自然机器智能，在线发布:2022年12月05日;doi:10.1038/s42256-022-00570-9
深度学习的最新发展使表观基因组数据的计算分析实现了飞跃，但对不同架构的公平比较具有挑战性。Toneyan等人使用他们用于模型评估和比较的新框架GOPHER进行了全面分析，探索了深度学习对表观基因组谱的建模选择。自然机器智能，在线发布:2022年12月05日;doi:10.1038/s42256-022-00564-7
将候选分子转化为有效药物的生成人工智能可以为更好、更快的药物设计铺平道路。Chan和同事开发了一个自我对比学习框架，帮助AI模型克服数据偏见，并为增强交互设计提供可解释的见解。