跳到正文
11月3日周二
  1. arXiv · ML20

    果蝇连接组受限视觉模型中世界模型生成内容的线性可分性研究

    基于果蝇视觉系统受限模型的研究表明,训练后的模型能线性区分世界模型生成的“梦境”序列与真实视频,AUC达0.85至0.99。 该模型在时间统计特征上表现显著,仅需交换相邻帧即可达0.73 AUC,远高于未训练网络。 研究展示了神经连接结构约束下,已训练模型对生成内容缺陷的敏感检测能力。

  2. arXiv · ML33

    扩散模型记忆盆地的光谱特征与几何表征

    该论文提出了针对条件、无条件及 rectified-flow 扩散模型的记忆盆地几何表征,发现局部函数几何频谱中主导奇异模态出现及光谱急剧恢复是进入记忆盆地的特征。 研究通过作用于主导模态在训练期间抑制记忆,并开发方法在推理时识别和引导轨迹避开记忆盆地。 这些几何感知引导方法即使在低维几何近似下也保持有效,并证明可扩展至大规模文生图扩散模型。

  3. arXiv · ML21

    FACET:基于可行性自动机的分子式完整枚举与无截断评分

    研究提出 FACET 方法,利用可行性自动机枚举满足化学约束的完整分子式集合,避免正确候选项被截断丢失。 在 NPLIB1 基准上,已知加合物时 top-1 准确率为 0.859,未知时 0.729;在 CASMI 2022 外部测试集召回率达 1.000。 该方法分离了公式筛选与选择步骤,通过单一神经评分头对全部可行公式排序,显著提升了识别召回率。

  4. arXiv · ML21

    HAFL:基于空天地一体化网络的层级异步联邦学习框架

    针对 6G 去中心化边缘基础设施,论文提出低轨卫星辅助的层级异步联邦学习框架 HAFL,通过地面卫星链路实现资源受限客户端协作。 HAFL 采用异步 Gauss-Seidel 型更新替代同步方法以加快收敛,并为凸及非凸目标提供理论收敛性证明,联合优化超参数以降低全局训练时延。 在基准 DNN 和数据集评估中,HAFL 实现更快的初始收敛和可比对的最终性能,显著减少全局轮次和通信成本。

  5. arXiv · ML29

    OCELOT 利用卫星基础嵌入实现行星尺度物种分布建模

    团队提出名为 OCELOT 的多模态隐式神经表示网络,融合空间坐标与卫星基础嵌入,基于 20 亿条 GBIF 记录和 10 万个类群进行训练。 该模型在 600 公里空间块保留测试中,卫星嵌入使地理外推性能较仅用坐标的模型提升 51%,并在标准插值基准上匹配或超越现有基线,证明优化外推未牺牲分布内精度。

  6. arXiv · AI32

    CORAL:基于概念锚定推理与提示驱动定位的可解释医学报告生成框架

    CORAL 提出一种多模态框架,通过提示驱动定位病灶并结合概念瓶颈模块,在 BUS-CoT 和 IU X-ray 数据集上提升诊断准确性与报告质量。 该框架将文本概念令牌与掩码调制的视觉特征输入 MLLM,实现结构化报告生成与诊断预测,克服了现有系统缺乏临床中间属性建模的局限。

  7. arXiv · AI30

    以典型颜色为透镜探究视觉编码器与 VLM 的概念可解码性

    视觉编码器能在去除颜色的灰度图像中解码典型颜色信息,且该信息与其预测的物体身份存在概念联系。 扩展分析显示,完整视觉语言模型(VLM)的后训练对编码器的颜色可解码性有巨大影响。 典型颜色由此成为追踪视觉模型内部物体级概念语义信息的有效且可控的透镜。

  8. arXiv · AI21

    成本高效的指代图像分割与接地主动学习方法

    提出针对无文本指代图像分割的主动学习框架,通过生成辅助区域-文本对并使用 Referred Region Ambiguity 获取函数识别模糊区域。 在 RIS 和 REC 基准测试中,该方法显著优于多个主动学习基线,用户研究显示描述标注速度提升 1.6 倍。 该研究已被 EMNLP 2026 Findings 接收,旨在解决视觉接地区域标注瓶颈。

  9. arXiv · AI21

    重新思考医学影像 AI:迈向以医生为中心的智能体推理

    研究指出医学影像 AI 十年未转化为临床影响,源于设计评估与临床决策的结构性错位,识别出 8 个互相关联的错位维度。 错位包括仅像素模型主导、基础模型在数据稀疏领域失效、验证算法与可部署平台脱节等,AI 有替代而非扩展医生判断的风险。 文章提议以医生为中心的智能体推理路径,旨在生成可执行的临床指导,实现 AI 扩展而非取代临床判断。

  10. arXiv · AI33

    MOPDA:面向语言引导工业异常检测的混合轨迹在线蒸馏框架

    论文提出MOPDA,这是首个将在线自蒸馏引入基于LVLM的工业异常检测(IAD)的框架。 该框架包含“混合轨迹监督”和“语言引导视觉锚定”两个核心模块,分别用于判断学习和密集定位。 在五个IAD基准测试的跨数据集零样本评估中,MOPDA在多数检测、定位和判断指标上优于现有基于LVLM的基线模型。

  11. arXiv · AI26

    迈向持续运动-语言智能体:用于增量运动理解与生成的 LoRA 变体

    研究提出基于 LoRA 和混合专家架构的持续运动-语言智能体方法,在五项序列任务中实现双向运动理解与生成。 该方法通过自编码器路由器在推理时选择任务特定专家,无需任务标签,实验显示近零遗忘且硬专家选择优于软混合。 结果表明需关注 token 级准确率与生成质量之间的潜在分歧,未来需建立更全面的评估协议。

  12. arXiv · AI22

    SpeechEQ:评估社交感知语音对话模型情商的研究

    SpeechEQ 是一个评估语音语言模型(SLM)社会语言学推理的框架,包含基于 EQ-i 2.0 理论的 2265 段对话数据集及 15 个情商子量表。 该框架采用多轮评估协议计算口语情商(SEQ)分数。实验发现当前多模态模型受限于“模态捷径”、“安全陷阱”和“上下文遗忘”,且端到端架构优于级联系统。

  13. arXiv · AI20

    B[FM]$^2$: 基于 SplitUNet 流匹配的脑基础模型

    B[FM]$^2$ 在 9 项标准下游 EEG 分类任务中的 7 项创造新纪录。该模型预训练仅需 36,895 个片段(约 307 小时),预算比现有 EEG 基础模型少约 30 倍。两名持证神经科医生无法将其生成的合成 EEG 与真实脑数据区分开(Cohen's $\kappa = -0.096$)。

  14. arXiv · AI29

    基于 GAN 和忆阻器分类器的非正脸识别框架

    提出结合 GAN 姿态正脸化与忆阻器神经形态识别的非正脸识别框架,在两个数据集上识别准确率最高达 96%。 框架整合轻量化生成对抗网络处理非正脸姿态,利用忆阻器系统实现边缘端高效计算,缓解传统 AI 算力瓶颈。 该方法为动态现实环境(如无人机)提供可扩展、高效的资源受限人脸识别方案。

  15. arXiv · AI20

    已发布医疗视觉-语言模型的选择性关联精度研究

    研究引入选择性关联精度指标,评估8个公开视觉-语言模型(VLM)在匹配去标识化胸部X光片与报告中的表现。 在ReXGradient-160K数据集上,MedSigLIP-448在过滤性别、年龄段和投照位后,100次查询预算下精度达67.68%,中位候选报告数为327。 该指标无需重训练即可推理,有助于医院评估应公开哪些属性以降低匹配风险。

  16. arXiv · AI20

    基于多尺度谱注意力模块的自动驾驶场景高光谱分割

    该研究提出多尺度注意力机制(MSAM),通过三条不同核大小(1-11)的并行1D卷积自适应聚合特征,并集成至UNet跳跃连接以增强高光谱特征提取。 在多个城市驾驶高光谱数据集上,MSAM基线模型平均mIoU提升2.32%,mF1提升2.88%,且核组合(1;5;11)与(3;7;11)表现尤为突出。 该实证研究推动了高光谱处理在自动驾驶中的应用理解,并为车载自适应多尺度特征提取奠定了基础。

  17. arXiv · AI30

    MindEye2:共享主体模型仅需1小时fMRI数据即可实现脑成像到图像的转换

    MindEye2通过共享主体模型,仅需1小时fMRI训练数据即可实现高质量视觉感知重建,优于单主体模型。 该模型预训练涵盖7个受试者,并将脑数据线性映射至共享潜在空间,再经非线性映射至CLIP图像空间。最后通过微调Stable Diffusion XL,将CLIP潜在表示转换为像素图像。 此方法支持单次MRI扫描完成高保真重建,实现了对被试间泛化能力的显著提升。

  18. arXiv · AI30

    FWS:面向视觉语言模型强化学习的忠实预热策略

    针对视觉语言模型(VLM)在强化学习训练中因忽视视觉证据导致推理不稳定问题,提出“Faithful Warm-Start (FWS)”策略。 该策略通过六个通用 VQA 基准构建 FaithfulQA 数据集,利用 VLM 裁判确保因果一致性,在稀疏奖励 RL 前提供视觉接地预热。 实验证明 FWS 提高了答案准确率,稳定了 RL 训练过程,并显著减少了缺乏视觉支持的推理链条。

  19. arXiv · AI63

    ReClaim 利用全国医疗索赔数据构建医疗基础模型

    ReClaim 是基于 MarketScan 数据库 438 亿条索赔记录构建的医疗基础模型,在超过 1000 种疾病的预测中平均 ROC-AUC 达到 0.769。该模型在预测下一年度支出和识别高需求高成本受保人方面均优于梯度提升模型,且其表征作为协变量时能改善随机对照试验基准下的效应估计。

    推荐理由:原文给出了438亿条医疗索赔数据训练基础模型的方法,读者可据此理解其在真实世界疾病预测中的表现。

  20. arXiv · AI26

    多模态视觉语言模型中的类人区域适应性框架

    研究提出“类人区域适应性”范式及GG-EZ方法,通过区域数据过滤和模型合并优化模型的区域相关性。 在大型视觉语言模型、文生图扩散模型和视觉语言嵌入模型等3种架构上的实验显示,该方法在东南亚地区文化相关性指标上提升5-15%,同时保持98%以上的全球性能。 该研究为多模态视觉语言模型在多样化地区的适用性建立了基础范式。

  21. arXiv · AI27

    MMCOMET:用于视觉推理的大规模多模态常识知识图谱

    研究团队推出 MMCOMET,这是首个整合物理、社会、事件知识与视觉 grounding 的大规模多模态常识知识图谱。 该图谱扩展了 ATOMIC2020,通过混合对齐管道为每个常识三元组关联代表性图像,生成超过 90 万条覆盖 19 种关系类型的多模态数据。 分析表明,多模态 grounding 在推理密集场景下比纯文本或 LLM 生成知识更可靠,但需自适应路由以避免感知主导任务中的噪声干扰。

  22. arXiv · AI21

    解释性 AI 范式:面向人类理解的生成式 AI 元需求与设计原则

    论文提出解释性 AI(Explanatory AI)作为新兴范式,主张 AI 系统利用生成式和多模态能力作为解释伙伴,直接服务于人类理解而非仅算法透明度。 研究整合认知科学、传播学与教育视角,结合医疗及 AI 专家实证,识别出目的、沟通模式、认识论立场、适应性和认知设计五个维度。 作者据此推导 5 项元需求和 10 项设计原则,并通过 5 个 UI 模型演示其如何支持人类推理与决策。

  23. arXiv · AI35

    Pixel: 面向通用移动操作学习的协同设计全栈机器人系统

    Pixel 是一个协同设计的全栈机器人系统,用于学习通用移动操作。 该系统结合低成本轮式人形机器人、人体对齐运动学、合顺夹具、多种遥操作及无机器人数据收集接口、统一全身控制器和通用策略学习管线。 其分层学习栈支持语言条件视觉运动控制和长时程任务执行,旨在提供研究机器人硬件、数据、控制与学习协同设计的可扩展基础。