跳到正文
11月2日周一
  1. arXiv · ML24

    机制可解释性视角下的端到端自动驾驶

    该研究在单目摄像头端到端路径规划模型上应用稀疏自编码器(SAE),无监督聚类S潜在变量恢复了98.3%的路线意图准确率。 通过配对的反事实图像编辑验证了S特定特征具有视觉接地性,并发现微调单个S潜在变量能引发可预测的单调变化,从而降低了3.44%的轨迹选择误差。

  2. arXiv · ML21

    CalibCause:面向糖尿病视网膜病变分级的质量门控、可解释且校准的深度框架

    CalibCause 提出一种结合视觉解释、无标签质量条件化及知识蒸馏的质量门控混合专家框架,用于糖尿病视网膜病变分级。在 51,310 张眼底图像测试中,无标签学生模型参数量 2780 万,QWK 达 0.863,比教师模型参数少 52%。跨站点平均 QWK 为 0.741,与 ConvNeXt-Tiny 基线持平,且校准后期望校准误差降至 0.025-0.036。

  3. arXiv · ML23

    22M参数ViT-S/16编码器的HER2阅片器在常规H&E切片上的真实部署

    22M参数ViT-S/16编码器训练的HER2阅片器在外部验证中AUC达0.812,性能与40-50倍大模型持平。 该模型在Yale-HER2、HEROHE和BCNB切片上AUC分别为0.82、0.75和0.63,无需GPU时切片处理需5-6秒。 作为研究用途的预读工具,辅助病理学家在IHC旁提供概率预测,并帮助优先安排ISH检测。

  4. arXiv · ML23

    7 款前沿 LLM 在分子属性预测中的自报不确定性评估:当上下文示例达 30 个时,最准确模型优于传统基线

    研究评测了 7 款前沿 LLM 结合上下文示例预测分子属性及自报不确定性的能力。 在 30 个上下文示例时,最准确的 LLM 性能超越所有传统基线;自报不确定性与预测误差的 Spearman 秩相关系数最高仅 0.46。 LLM 在污染数据集 ESOL 上未随上下文增加而改进,表明该数据集已被模型记忆。

  5. arXiv · ML21

    LOCOGEN 通过局部控制 OOD 引导实现稳健的调控 DNA 序列设计

    LOCOGEN 将扩散模型的 OOD 引导重构为局部性问题,通过不变基序掩码保护关键位置并对背景应用 OOD 阻尼,无需重新训练骨干网络。 该模型在 HepG2、K562 和 SK-N-SH 细胞系中,成功在属性、新颖性和合理性三维度的评估空间中找到了其他基线方法未能达到的区域。 论文已被 NeurIPS 2026 接收,代码已公开,旨在解决奖励黑客行为导致的单一奖励评估失效问题。

  6. arXiv · ML23

    多尺度图神经网络通过全切片图像预测多种转录组学数据

    研究提出多尺度图神经网络(GNN),可直接从全切片图像(WSI)预测批量、空间及单细胞转录组数据。 该模型使用UNI2-h病理基础模型提取形态特征,在TCGA、Visium和Xenium混合数据集上训练,实现了跨生物层级的层级学习。 预测结果在生存分析和肿瘤分类等下游临床任务中展示了应用价值。

  7. arXiv · ML32

    StormGen 生成式模型填补短降雨记录稀有事件尾部

    StormGen 生成式机器学习模型将观测风暴首小时转化为完整且物理合理的逐小时降雨生命周期。在东南德州十年降雨数据评估中,其为最严重2%风暴中45%生成近距离对应,优于随机风暴移位的3%。 该模型仅用一小时初始降雨重构了飓风Harvey的完整生命周期、空间模式及极值汇水区总量,且该事件不在训练集中。因风暴计时可使峰值流量翻倍,这些场景为压力测试防洪措施提供了关键机制。

  8. arXiv · ML23

    Walrus-1.3B 科学基础模型 Sim-to-Real 适应中的灾难性遗忘

    Walrus-1.3B 科学基础模型在 Sim-to-Real 适应过程中遭受灾难性遗忘。在模拟数据微调后,原始预训练数据集上的单步误差在 20 个 epoch 后增加高达 35 倍。 回放 1% 模拟数据可恢复大部分性能并保留对实验数据的适应效果。该研究确立了灾难性遗忘为科学基础模型 Sim-to-Real 适应的实用障碍,轻量级回放策略能显著改善知识保持。

  9. arXiv · AI33

    CogBattery:语言模型认知任务行为与结构评估

    CogBattery 评估了 54 个开源语言模型在 13 项认知范式文本改编中的表现,并与源研究的人类数据进行对比。结果显示,模型虽能复现人类效应方向,但在非目标误报、置信度区分及固定下注偏好上表现远劣于人类,且这些模式跨越多个模型家族。研究指出,匹配人类效应方向不足以确立类人行为,大规模模型也未一致地更接近人类表现。

  10. arXiv · AI22

    DAUPNet:跨域少样本语义分割中的领域感知不确定性建模

    论文提出 DAUPNet 框架,将跨域原型匹配重构为不确定性感知的原型判别,在四个目标域上取得 72.6%(1-shot)和 76.7%(5-shot)的平均 mIoU。 该方法先对齐层级特征以提供稳定证据,再用概率方式表示前景/背景原型,并利用估计的不确定性调节对比优化,在两个医学领域提升显著。 代码已开源,该方案在严重域偏移下为跨域少样本语义分割提供了稳健且可解释的方法。

  11. arXiv · AI21

    基于arXiv 2606.02242的分析:图像与文本驱动的人体重识别中优化目标的冲突

    该论文提出了一种两阶段流水线,以解决统一图像与文本人体重识别模型中的优化冲突。核心发现是,图像目标与文本目标在共享视觉编码器上互斥。 方法上,先对视觉编码器进行图像不变性训练并冻结,再对齐文本编码器。实验表明,该策略能有效防止文本任务破坏已学的身份结构,并提升文本性能。 这些见解为构建统一的人体重识别系统提供了重要基础。

  12. arXiv · AI21

    VDA框架提升潜空间表征解耦效果

    研究提出变分分解自编码(VDA)框架及仅编码器神经网络DecVAE,旨在解决传统变分自编码器难以捕捉时频多样性的问题。 DecVAE在模拟数据及语音识别、构音障碍评估和情绪语音分类三个公开科学数据集上进行评估。 结果显示,该方法在解耦质量和鲁棒性上优于基于变分自编码器的方法,当生成因子具有独特频谱特征时,其潜空间表现为因子特异性。

  13. arXiv · AI28

    MSMV-Swin 框架:基于多尺度多视角 Swin Transformer 的人本乳腺癌诊断 AI 集成

    论文提出混合多尺度多视角 Swin Transformer 框架(MSMV-Swin),旨在解决乳腺癌诊断中依赖详细标注及测试时缺失视角的问题,提升诊断鲁棒性与准确性。 该框架利用 Segment Anything Model (SAM) 隔离乳腺叶以减少背景噪声,通过多尺度特征融合捕捉局部与上下文信息,并设计混合融合结构应对临床常见的单视角缺失情况,作为辅助决策工具支持放射科医生。

  14. arXiv · AI35

    PA-SciML 框架:结合大语言模型代理与物理审计的科学机器学习

    PA-SciML 框架通过在大语言模型代理中引入物理契约(如叠加、边界条件),在候选搜索前固定要求并进行对抗性测试,以解决机械替代模型违反物理规律的问题。 在四个固体力学问题中,仅依赖误差选择的模型被证实存在因果性或零输入违规,而启用审计的模型在保持或超越精度的同时通过了所有必需检查。 该框架通过解耦审计结果与验证误差,确保了科学机器学习代理发现过程中的物理一致性。

  15. arXiv · AI23

    Latent-Lens:通过隐空间通信增强小型语言模型的视觉感知能力

    轻量级编解码器 Latent-Lens 冻结 VLM 与 SLM,通过隐空间直接通信解决文本信息丢失瓶颈,仅训练约 1.6M 参数(占联合模型 0.2%)。 在 CLEVR 和 GQA 视觉问答中分别取得 81.0% 和 65.4%,较同等 LoRA 预算的文本通信基线提升 30.2-69.8 个百分点。 该论文发表于 NeurIPS 2026,验证了跨架构与词表的通用性。

  16. arXiv · AI28

    DA-CoT:基于注意力熵的训练无关难度感知思维链推理分割框架

    针对多模态大语言模型中盲目使用思维链(CoT)导致的“过度思考”问题,作者提出了无需训练的自适应框架 DA-CoT。 该框架利用模型注意力图的熵值判断任务难度,并在初始输出失败时通过双向重思机制自动反转推理决策。 DA-CoT 在推理分割基准测试中取得了最先进(SOTA)性能,同时显著提升了推理效率。

  17. arXiv · AI21

    ORION:面向基于RL的多域6G切片放置的结果驱动型LLM顾问

    针对多域6G网络切片在线放置中无固定策略占优且可行方案常被遗漏的问题,ORION提出一种层次化架构,利用两个LLM智能体生成结构化请求和抽象放置计划。 系统通过协同多智能体RL协调器选择跨域分区,并引入结果驱动的情节记忆记录网络条件、计划及可行性结果。在保持下游机制固定的情况下,该记忆机制使切片准入率比无记忆的同款规划器提升4.6至11.5个百分点。

  18. arXiv · AI23

    从表征到读出:大语言模型成员信号机制分析

    研究提出 DUG 指标,量化大语言模型中可解码的成员信息及其读出暴露程度。 在 SFT 下,成员特定效应同时体现在可解码信息量和读出中,而在 RL 方法中主要出现在读出层;激活补块将效应定位至中间层。 发现 RLVR 污染下行为变化可发生,且不一定伴随基于似然的成员推理信号增加。

  19. arXiv · AI21

    GenDSR:从视频生成模型迁移表示以增强动态空间推理

    GenDSR 框架将视频生成模型(VGM)的中间表示迁移至视觉语言模型(VLM),通过构建保持生成上下文的 raw 分支和强调时间变化的 delta 分支,利用任务条件 token 级门控融合信号。 在 DSR-Bench 基准测试中,GenDSR 取得 67.2% 的成绩,超越此前最佳结果,创下新的最先进状态(SOTA)。

  20. arXiv · AI41

    ERASE:基于在线策略自蒸馏的多模态提示注入防御方法

    ERASE 提出一种在线策略自蒸馏方法,通过在原地擦除注入区域构建参考,在图像、音频和视频模型上实现近乎零攻击成功率且保留任务效用。在 3B 音频模型上,ERASE 被攻击输入准确率达 60.1%,将注入依赖度从 6.26 降至 0.0095。该方法弥合了攻击防御与任务保留之间的差距。

  21. arXiv · AI23

    Coarse3D:可控且忠实的图像转3D稀疏结构生成模型

    研究团队提出 Coarse3D,一种从任意无姿态图像生成方向可控且结构忠实体素几何的稀疏结构生成模型。 该模型引入首帧锚定规范空间、双塔 DiT 架构及空间先验引导注意力,通过辅助前向重建学习空间接地特征。 实验显示其显著提升稀疏结构质量并增强最终 3D 生成效果,达到 SOTA 性能。

  22. arXiv · AI22

    WebOverlay:面向极端纵横比网页遮罩检测的高吞吐纯视觉蒸馏方法

    WebOverlay 通过从前沿视觉-语言教师模型蒸馏,实现了高吞吐纯视觉检测。该模型使用动态分块策略处理极端纵横比渲染,避免了因缩放导致的文本特征丢失。 它依赖纯视觉线索,绕过了 DOM 树解析,消除了跨模态延迟开销。 检测精度与重量级专有 MLLM 基准相当,但吞吐量高出多个数量级,部署成本大幅降低。

  23. arXiv · AI23

    7B参数视频世界模型通过合成无人机数据提升空中检测精度

    利用7B参数视频世界模型生成合成数据,可将空中检测器在保留测试集上的mAP@50-95提升4.3%至10.3%。 生成合成数据成本约为1,100美元GPU时间,而同等规模真实数据需3,200美元以上人工采集成本,且87.5%的生成片段会被专家过滤。 该研究证明合成数据能将数据获取成本从实地采集转移至计算资源。

  24. arXiv · AI33

    ERIM:基于显式规则归纳的多模态上下文学习框架

    该框架利用多模态大语言模型的推理能力,通过显式归纳演示样本的潜在规则提升多模态上下文学习性能。 方法包含构建规则中心数据集、引入显式规则归纳监督,并采用混合冷启动微调与强化学习的两阶段训练策略。 实验表明,正确归纳底层规则能带来更强且更稳定的性能提升。

  25. arXiv · AI25

    CryoAtlas:用于冷冻电镜原子模型构建的大规模策展数据集与统一基准

    研究人员发布了 CryoAtlas 数据集与统一基准,旨在提升冷冻电镜原子模型构建效率。该数据集包含 17,809 个条目,其中 16,657 个用于训练。 基于此构建了 618 个目标基准,对比评测了 SOTA 方法、Phenix 及 AlphaFold3。 CryoAtlas 为未来研究提供了开放且可复现的基础资源。