I2I Backdoor:针对图像到图像任务的后门攻击
该研究首次全面揭示了I2I网络的后门攻击漏洞,提出了一种通用对抗扰动(UAP)生成算法作为触发器,并结合多任务学习动态加权方法,使后门I2I网络在干净输入下表现正常,仅在触发器出现时输出特定不当图像。 实验证明该攻击对最先进I2I网络架构有效,且具备抗不同后门防御措施的鲁棒性,并进一步扩展到图像分类与目标检测等下游任务,表明经后门去噪网络处理的触发图像可欺骗下游分类器与检测器。
该研究首次全面揭示了I2I网络的后门攻击漏洞,提出了一种通用对抗扰动(UAP)生成算法作为触发器,并结合多任务学习动态加权方法,使后门I2I网络在干净输入下表现正常,仅在触发器出现时输出特定不当图像。 实验证明该攻击对最先进I2I网络架构有效,且具备抗不同后门防御措施的鲁棒性,并进一步扩展到图像分类与目标检测等下游任务,表明经后门去噪网络处理的触发图像可欺骗下游分类器与检测器。
基于 GNN 推荐系统的 AI 平台在 12 周内对 84,764 人实施个性化健康引导。实验显示目标组日均步数增加 6.17%,每周中等强度运动时间增加 7.61%。引导消息开启率达 13.1%,用户认可度显著。
IQS-BO 提出基于 PFN 的上下文查询选择方法,通过监督学习直接预测候选点为最优的概率,以较低成本匹敌或超越 GP 贝叶斯优化。 该方法无需传统代理模型重构,支持顺序与批量优化,适用于低维和高维场景,并能泛化至包含窄最优值或平台期的复杂函数。
提出弹性选择谱混合模型ESSH,通过输入依赖门控实现可截断的通道,支持单训多导。在1.53B配置下,B300上单token解码耗时1.37 ms。较Mamba-2/3提速2.14-2.80倍,较Transformer++提速3.03倍。
非均匀采样预算再分配在分布外工作负载上将求解器最优性差距降低11.8%-13.3%,而在训练分布上仅降低2.5%,均匀分配已接近最优。 该策略由工作负载内的难度分布而非平均值决定,使用20个探测样本拟合幂律曲线可恢复88%-93%的无代价最优收益,而2-opt局部搜索则以极低成本消除大部分差距。
研究在 Qwen3 和 Llama3.1 中提出两项指标,发现中低频全局位置带阻碍零样本长度外推。 建议在 380M 和 1.4B 参数实验中验证功能组织与位置依赖原则,支持基于功能需求的架构创新。
无训练 CommitKV 方法在四个开源多模态模型上实现最高平均准确率。在 Qwen3-VL-8B 上,256-token 预算比最强基线高 8.44%,512-token 准确率 69.85% 仅低于 FullKV 0.91%。 SGLang 与 vLLM 部署时,峰值 GPU 显存降低 54.37%–55.23%,端到端推理加速 2.12–2.17 倍。
对 2.6B 参数 Ouro-RLTT 循环模型的隐状态探针,在合成逻辑任务中实现 0.758 AUROC,优于 0.515 的 token 置信度基准。 探针在同题多答案对比中 74% 选出正确项,且信号在第 3 个循环即达最后层精度;虽能优化拒绝回答与候选排序,但无法提升生成质量。
提出物理信息高斯 Copula 变分自编码器,将数值特征值求解器嵌入解码器,确保后验样本满足结构动力学方程。 利用高斯 Copula 描述刚度系数的后验分布,实时捕捉部件间交叉相关性。后验估计结果与序贯蒙特卡洛采样精确解高度一致。 该方法提供了稳健且可解释的决策工具,能指示损伤位置并量化诊断不确定性。
研究对 Chronos-Bolt、Moirai 和 Lag-Llama 进行了首次系统盈亏平衡分析,在 30 个基准数据集上比较其与 Naive、ETS、ARIMA 和 XGBoost 的表现。
FlexMoE 提出训练后多预算专家剪枝框架,将大型 MoE 模型转化为共享权重的子网络族。 该框架通过重要性排序专家 FFN 通道构建可切片权重空间,单次训练即可生成各预算下的剪枝掩码;在 Qwen2-57B-A14B 上剪枝 50% 路由专家参数后,保留约 99.8% 的基础性能。
SharQ 提出一种免训练方法,将激活稀疏性与 FP4 量化结合以降低 LLM 推理开销。 通过在线稀疏-稠密分解,生成自适应 N:M 掩码提取离群值,并将稀疏主干量化为 FP4,用稠密残差补偿误差。 在 Llama-3.1-8B 等模型上恢复 43%–63% 精度差距,RTX 5090 上实现 2.2–2.4 倍延迟降低。
TabFM-Logit 通过将基础模型预测嵌入多项 Logit 效用中,在保持边际替代率等结构保证的同时提升选择预测精度。 该适配器在 Swissmetro、LPMC 和 IoT-Wearables 上平均提升 4.2 个百分点测试准确率,并保持 100% 成本单调性。 该方案在保持 Logit 模型理论保证的同时,利用了基础模型的准确率优势。
TROPT 是首个统一离散优化器执行的开源框架,涵盖 40+ 优化配方、15+ 优化器及 15+ 损失函数。支持白盒到黑盒访问,覆盖 LLM 越狱、语料投毒等应用。该框架显著降低了离散文本优化的采纳与研发门槛。
Rational Sparse Autoencoder (RSAE) 将固定编码器激活替换为可训练有理函数,在匹配预期稀疏度下证明对 ReLU 及 JumpReLU/TopK 具有重构优势。 在三个开源权重语言模型上验证,RSAE 在同稀疏度下提升重构保真度,仅增加 20 个标量参数。 单次训练耗时 4 至 25 分钟,在单张消费级 GPU 上完成。
针对时间序列预测中多模态动态导致的过平滑问题,研究提出Dirichlet引导群组预测(DGF)框架。 该框架显式建模多模式条件预测分布及其选择概率不确定性,利用Dirichlet引导分层采样机制与基于奖励的优化,鼓励生成准确、动态一致且模式清晰的预测结果。 在真实世界预测基准测试中,DGF在提高预测准确率、多样性和动态一致性的同时减少了过平滑现象,代码已公开。
研究人员开发了针对概念瓶颈模型的合成基准,用于生成带标签数据集并控制数据模态、概念选择及标注质量等属性。 该基准可评估决策支持和自动化两大核心用例,帮助定位模型失败原因,并将其归因于架构或数据问题,已在 NeurIPS 2026 发表。
研究证明人类与 AI 置信度的对齐降低了最优决策学习复杂度,将遗憾上界从 $O(\sqrt{|H| \cdot T\log T})$ 优化至 $O(\sqrt{T\log T})$。
MIST 提出了一种通过 McDiarmid 边界解决在线类增量学习中流式决策树校准失败的方法。 该方法包含 K 独立置信半径、贝叶斯继承协议和 KLL 分位数草图三个组件。 在 Neurips 2026 被接收,MIST 在非高斯几何流数据上表现出独特鲁棒性。
研究证明,在循环神经网络中,计算特定函数的最小权重范数与该函数的柯尔莫哥洛夫复杂性除以对数渐近等价。 证明基于两个还原:网络通过稀疏模式编码信息,且固定精度网络可通过枚举非零参数描述。 该理论链接为理解深度学习中范数最小化与泛化能力的关系提供了新途径。
该框架在固定评估预算下,通过在任务与重复运行间优化分配以构建更窄的 LLM 性能置信区间。 在 LiveCodeBench 基准测试中,该框架在 15 种模型配置下实现了 30.6% 的中位置信区间宽度缩减。 理论上证明了其在最坏情况下实现了收窄置信区间的极快速率。
该研究提出条件分布匹配 (CDM) 逆向设计问题及两种变体,旨在寻找使条件分布匹配特定目标的输入。 算法名为 MLGD-F,结合预训练扩散模型与快速采样器,无需额外训练即可高效计算。 该方法在合成基准和生成编辑等场景验证有效,能可靠恢复满足目标分布的输入。
研究提出模块化基础设施 WorkWorlds,基于真实制药公司数据重构环境,用于在受控条件下对比任务构建时序对智能体评估的影响。 192 次受控评估显示,智能体从任务特定环境切换至员工真实可见材料时,证据获取率从 90.4% 降至 72.8%,标准通过率从 76.7% 降至 68.0%。 作者建议基准测试应报告环境材料选择方法,并尽可能测试更换环境构建者后的分数变化。
RiskWorld 提出了一种风险感知的世界建模框架,用于共享占据预测和选择性轨迹替换,通过融合空间风险场、时序行为者上下文与视觉鸟瞰特征实现安全运动规划。 该框架采用流引导演化传输占据与场景特征,并用有符号残差校正传输后的占据。
CHASE 通过反事实评估协议检验 Agent Harness 改进的鲁棒性,在 Syn-Ledger 和 SWE-Bench Pro V2 等基准上验证其有效性。
研究团队推出MAP,这是首个评估多模态AI系统在真实世界地点无障碍规划中表现的基准。 该基准包含两项评估:验证无障碍规划声明和检索视觉证据,采用自动评分与部分人工评分结合的方法。 MAP支持定时刷新真实数据以评估AI系统,便于比较不同系统表现。
TraXion 针对多实体时空事件流(MESES)提出预训练框架,其目标与架构满足三条公理。在覆盖 6 个公开移动性数据集的任务中,单一检查点在所有位置排名和检测指标上超越任务特定基线。该配方应用于企业认证日志和 ICU 死亡率预测时匹配或超越现有工作,被 NeurIPS 2026 接收。
一种新的线性化2-单纯形注意力机制将计算复杂度从立方级降至序列长度的二次方,并在固定大小的状态中精确求和所有历史键。该机制通过正向随机特征近似和自定义Triton内核实现,并与Kimi Delta Attention结合构建了一个完全不含softmax注意力的模型。在15B参数规模下使用FineWeb-Edu训练,该模型将验证损失从2.35降至2.32,LAMBADA困惑度从40降至38。
针对稀疏 MoE 奖励模型路由权重无法揭示专家如何判断响应的问题,论文提出贡献对比(CoCo)方法,通过选择最大贡献对比的偏好响应对,联合捕捉路由与偏好行为。 CoCo 在自动与人工评估中展现出比基于路由器、评分及稀疏自编码器替代方案更连贯、忠实且专业化的解释,同时保持具有竞争力的奖励建模准确率。
JUDOR提出了一种基于CTDE的多智能体强化学习框架,实现了无人机离散航向控制与去中心化机会路由的联合优化。 该框架建模为带共享团队奖励的分解部分可观测马尔可夫决策过程,采用去中心化执行器与中心化训练批评者。 在四种流量模式下,JUDOR在保持去中心化执行的同时,性能稳定优于PRoPHET和MaxProp等DTN基准。
Ouro-2.6B-Thinking 模型的隐藏状态探测可识别人类偏好,线性探针准确率为 61.5%。 在 Anthropic 的 HH-RLHF 数据上,非线性网络达到 64.9%,略优于选择更长回复的简单规则。
针对有限时域线性MDP,提出使用参数化对数线性策略的乐观Actor-Critic框架。 算法引入可计算的对数匹配回归目标,并通过Langevin蒙特卡洛实现近似汤普森采样。 证明在on-policy和off-policy设置下样本复杂度分别为 $\widetilde{O}(\epsilon^{-4})$ 和 $\widetilde{O}(\epsilon^{-2})$。
该研究利用分歧信号筛选合成边界案例,在多模态安全基准上将 F1 从 0.220 提升至 0.731,FNR 降至 0.245。 管道生成策略条件化图像,选取评分者分歧案例并检索 50 个示例作为上下文演示,显著优于 350 例常规池。 盲测显示专家在分歧引导图像上的分歧率为 24%,验证了该方法在可追溯多模态安全评估中的有效性。
乘性 Lipschitz 界(trivial bound)在 Lipschitz 约束学习中的有效性常被低估。结合 quadrature nonlinearity,该方法在多数分类界上优于 Sandwich、AL、CPL 和 SDP 层,降低交叉熵。 在自编码器任务中,该方法在所有测试的瓶颈宽度下均取得最低像素重建误差,比 PCA 改进 12–24%。
研究对 ARC-AGI 基准在人类样本中的心理测量学特征进行首次检验,显示其与图形流体智力相关显著($\rho$ = .63)。 该研究基于 100 名参与者,发现 ARC-AGI 具有良好的心理测量学属性,但与图形独创性的关联较弱。 这支持了 ARC-AGI 作为人类流体智力测量工具的初步效度,并建议将 AI 基准系统嵌入人类认知能力网络。
首个智能体弃答评测框架 AgentAbstain 发布,含 263 组配对任务与 42 个沙盒环境。 AbstainGen 自动化管线生成任务并经 3 名标注者验证 94-98% 为良好设计。 17 个前沿 LLM 最佳者 Gemini 3.1 Pro 仅达 59.5% 配对准确率,弃答能力独立于任务解决能力。
针对心衰临床记录数据集,构建专家因果图基准并追溯因果发现算法,量化路径特异性公平性与效用权衡。 ICA-LiNGAM在结构汉明距离和召回率上最优,GES精度最高;原始与发现图在射血分数中介效应上存在1.2个百分点差异,导致公平-效用比变化。 结果表明因果发现感知、路径特异性公平性评估在临床场景至关重要,应纳入临床风险模型常规审计。
论文提出 ElephantAgent 协议,通过在规划执行前重算本地上下文状态摘要并验证其一致性,防御工具及记忆投毒攻击。 ElephantAgent 集成于 DeepSeek Harness 形成 ElephantDSH,抵御了 rug pulls、回滚等带外攻击及带内提示注入,相对开销仅为 1.02-1.07 倍。
针对扩展式类增量学习中新旧特征碰撞问题,提出基于概率必要性和充分性(PNS)的正则化方法。 该方法通过双域反事实生成器生成任务内反事实特征和任务间干扰特征,量化因果完整性与可分性。 理论分析证实了方法可靠性,是缓解特征碰撞的即插即用解决方案。
Arbor 系统通过可插拔搜索策略(如 scored bandit、并行 agent swarms 和深度优先 sweep)赋予自主智能体在优化树上进行推理、回溯和深化的能力。