跳到正文
11月16日周一
  1. arXiv · ML20

    Fuse-PINN:结合有限元法与物理信息神经网络实现非线性偏微分方程大规模并行模拟

    Fuse-PINN 框架通过结合有限元法与物理信息神经网络,实现了 GPU 集群上 PINN 的可扩展并行化,突破非线性 PDE 模拟瓶颈。 该框架采用 FEM-NN 数学表述与能量自然梯度下降优化器,在磁约束聚变物理模型中验证了近似完美的多 GPU 扩展性。 研究反驳了“PINN 无法扩展”的观点,支持复杂非线性动力学的大规模高保真模拟。

  2. arXiv · ML25

    决策谓词图:树集成模型的局部结构性解释

    研究人员提出局部决策谓词图(local DPG),为树集成模型提供可验证的局部解释。该方法识别临界谓词,在单次穿越中恢复 46-69% 错误预测的真实类别,优于 TreeSHAP 的 29-50%。 在 16 个数据集和四种集成家族中,临界谓词在定位故障阈值时优于随机基线,准确率为 46-71%。 该解释方法无需训练,通过指出预测可被修改的具体阈值,补充了特征归因和反事实分析。

  3. arXiv · AI22

    临床 AI 中评估即干预

    在临床 AI 团队使用 AI judge 评估输出以选择提示词或训练模型时,judge 本身成为干预的一部分,其选择可能优先保留被 judge 忽略的错误。 文章主张必须明确 judge 报告应包含的内容,并要求对每个由 judge 驱动的变更实施独立的临床测试。

  4. arXiv · ML28

    神经网络分类器作为纠错码

    提出将监督深度分类视为香农意义上纠错码解码的统一框架。交叉熵优化使 softmax 分类器与最大似然解码对齐,logits 映射为到类特定码字的汉明距离。该对应关系解释了 KL 散度等目标的涌现,并将 Neural Collapse 和 LeJEPA 的几何视为等向噪声下解码的最优星座。

  5. arXiv · AI23

    A$^3$:面向协同边缘计算的自适应音频智能体框架

    A$^3$ 是一种自适应音频智能体框架,将流水线阶段部署在边缘服务器,并在设备保留完整回退智能体,通过链路感知截止时间决定何时放弃服务器。在 Jetson 设备与 RTX A4500 服务器上,A$^3$ 在链路正常时性能与纯服务器智能体持平,在 AGX 全断网时响应所有请求,且在模拟断网中优于百分位对冲策略。

  6. arXiv · ML42

    NeoResearch:文献与经验引导的自主时间序列模型发现框架

    NeoResearch 提出一种由 LLM 驱动的自主研究框架,利用专家启发的双循环工作流发现轻量级领域特定预测模型。 该框架自动挖掘网络科学文献提取建模机制,并通过层级经验记忆将文献发现与实验结果关联,支持跨任务复用。 在十个数据集上的实验表明,该框架具有竞争性性能,验证了双循环、文献提取及记忆复用机制的有效性。

  7. arXiv · AI25

    LACCO:通过计算通信重叠实现局部累加训练方法

    提出LACCO算法,通过局部累加与计算通信重叠,避免外层更新滞后,保持全局一致性。 在FineWeb预训练中优于DiLoCo变体,模型扩展至0.5B参数、最多16个worker时性能增益稳健,额外计算与内存开销可忽略。 该算法为低带宽环境下的语言模型分布式训练提供收敛保证,显著降低同步开销。

  8. arXiv · ML30

    MarathonTS:基于窗口组装与长序列生成器的长合成时间序列基准

    MarathonTS 作为首个开放基准,统一对比了基于短窗口组装和长序列生成器的合成时间序列方法。 在 9 个开放小时级数据集上使用 10 个随机种子生成等长序列,通过 12 组共 83 项指标评估对真实数据(训练、验证、时间外划分)的保真度,并测试在 14 项分类与回归任务中仅用合成序列训练的模型效用。

  9. arXiv · AI26

    基于深度学习的脑肿瘤分割交互式界面

    一款深度学习脑肿瘤分割系统默认全自动,支持用户手动修正,以提升不同MR序列下的分割精度。 该系统解决了因供应商差异导致的灾难性错误,并通过初步专家用户研究验证了其准确性与可用性。

  10. arXiv · ML24

    充分解释的极限:分类器与选择关系的正式分析

    研究形式化刻画了结构化数据分类器中充分解释存在的条件,指出完全充分性在语言、蛋白和分子分类数据集中均无法实现。 该研究通过实例空间、分类器及选择关系定义通用解释形式,并将分析扩展至概率充分性和删除充分性等变体。 这些统计边界为所有解释器提供了任务级参考,使其充分性可在绝对尺度下被评估。

  11. arXiv · AI26

    TotalSegmentator 主动脉报告工具:基于 CT 图像的 11 个标准化标志点自动测量主动脉直径

    研究人员开发了一款开源工具,可自动测量 CT 图像中 11 个标准化标志点的主动脉直径。在包含 239 次检查的回顾性研究中,该工具的平均绝对误差为 1.06 mm。 该工具基于 TotalSegmentator 分割结果定位标志点,测量值略大于参考标准,偏差为 0.45 mm。 此工具为开源免费,其测量精度低于已发表的阅片者间变异性,但主动脉根部误差较大。

  12. arXiv · ML24

    ICU 稀疏时序中按变量组合预测模型的研究

    在五个 ICU 数据库的 94 个通道上,按变量权重组合 14 个模型,预测误差比最佳单一模型低 6.1%-11.0%。 稀疏数据改善达 11.9%;扩展模型池后,组合仍比最佳单一模型低 2.9%-5.9%。 该研究发现无单一最佳架构,模型选择随数据库大小变化。

  13. arXiv · AI35

    Transformer 范式:动态处理与推理新原则

    研究指出 Transformer 革命并非深度学习量化扩张,而是基于不同推理原则的新范式。在推理过程中,部分变换由当前输入动态构建,先前获取的变换先适配再应用。 该动态处理通过输出权重互连实现,称为序列级交互动态并行处理(SIDPP)。SIDPP 框架解释了强提示词敏感性,并开启了关于可解释性、控制及神经形态系统的研究方向。

  14. arXiv · AI33

    TrAC 算法:基于见证图映射追踪实际因果

    研究团队提出 TrAC 算法,基于祖先干预语法构建有限有向无环见证图,实现对目标事件所有实际因果的声音且完整枚举,填补了 Halpernian 因果框架的空白。该算法在随机布尔结构因果模型上经实证验证,在 15 节点图结构中具备实际可行性。TrAC 被应用于法律责任、道德归咎及因果伤害分级任务,支持对完整因果集合的聚合分析。

  15. arXiv · ML25

    CV-PURe:利用积单位残差网络学习非线性交互与特征耦合

    CV-PURe 通过在六项科学基准中四项取得最低平均 RMSE,将 Friedman 误差相对 MLP 降低 53.9%。 该模型在含三阶及四阶乘积的合成任务中,将 RMSE 从 0.1376 降至 0.0797,并完整恢复 9 个真实成对投影。 Friedman 交互图谱将 60.7% 总强度分配给已知交互对,显著优于 MLP 的 31.0%。

  16. arXiv · AI21

    本地LLM科学论文检索:Mac Studio与NVIDIA A100上的检索成功率与推理延迟评测

    研究评估了8个开源模型在Mac Studio和双NVIDIA A100 GPU上辅助科学论文检索的性能,涵盖512至128k token上下文下的推理延迟。 实验在7个科学库中检索70篇论文,结果显示检索成功率受模型选择和查询具体程度影响显著;A100速度普遍更快,但Mac Studio统一内存可加载更大模型。

  17. arXiv · ML21

    RL$^{\mathrm{RT}}$:端侧强化学习运行时

    端侧强化学习运行时 RL$^{\mathrm{RT}}$ 解决设备上 Actor 与 Learner 共享 GPU 导致的策略漂移或停顿问题。 该系统通过刷新边界和感知松弛的 GPU 许可,在 Jetson 板上将 16.8 M 参数策略的截止时间错过率控制在 1% 以下,而传统设计高达 85 至 100%。

  18. arXiv · AI23

    神经信号解码测试时适应中平衡准确率的识别局限

    研究指出在神经信号解码的测试时适应中,平衡准确率无法识别单个类别停止被报告的现象。 在一项覆盖11个数据集-编码器组合的评估中,一个占受试者样本十分之一的类别在112个受试者-单元中的26至47个未获预测,而对照组仅为7至9个。 该结果强调应在报告聚合分数的同时报告类别层面及受试者层面的变化。

  19. arXiv · AI28

    SWIFT:时序基础模型样本级实例微调以提升预测性能

    提出SWIFT框架,通过利用目标实例自身历史进行样本级微调,在四个时序基础模型和三个基准子集上实现平均MASE降低6.41%。 该框架结合自检索历史挖掘、频率感知损失和偏差感知动态融合,在Chronos Benchmark II的24种组合上取得WQL平均降低4.83%。 SWIFT是首个仅用单一预测窗口观测历史进行时序基础模型样本级实例微调的框架,显著降低微调门槛。

  20. arXiv · AI28

    利用对抗攻击揭示 LLM 规划器中符号词汇漏洞

    研究提出名为 Symbolic Swapper 的 LLM 对抗攻击框架,生成混淆符号词汇的规划域以测试大语言模型的规划能力。 该攻击能降低基础模型及稳健规划框架 70% 以上的规划性能,揭示了模型在领域理解与纯规划执行间的显著差距。 这项发表于 NeurIPS 2026 的工作表明,即便具备常识线索,LLM 在严格符号规划任务中仍缺乏鲁棒性。

  21. arXiv · ML21

    标签延迟与概念漂移下不平衡数据流的过采样决策框架

    研究通过15个分类器在12条数据流上的实验,提出了不平衡数据流中过采样与连续重估的决策框架。 框架围绕漂移密度、少数类可学习性和延迟相对精化窗口三轴展开。重估在漂移活跃流中恢复延迟损失,但在静止流中无效。 过采样在真实数据中仅在一种配置下边际贡献显著,合成流的Pareto推荐无法迁移至真实场景。

  22. arXiv · AI28

    Soteria: 基于形式化验证规划与运行时强制执行的 LLM 智能体安全框架

    Soteria 框架通过验证分层规划和规范运行时强制执行,解决了 LLM 智能体在工具调用中的安全与效用冲突,任务成功率达到最佳基线平均水平的 1.7 倍且无策略违规。 该框架在执行前对结构化计划进行形式化验证,并在运行时提供引导以防止智能体在阻塞不安全操作后陷入困境。

  23. arXiv · ML29

    扩散模型中预测目标与损失空间选择对生成质量的影响分析

    研究剖析了扩散模型中9种预测与损失组合,发现改变损失空间等价于时间步重加权,且低秩瓶颈使噪声预测存在D-m误差下限。 理论证明低秩线性瓶颈压缩下,噪声与速度预测受不可消除误差限制,而干净数据预测可利用低维结构。 实验在U-Net和JiT架构、CIFAR-10及ImageNet-256数据集验证,压缩条件下预测选择显著影响去噪精度与样本质量。

  24. arXiv · ML20

    DeltaVisionX:基于 YOLOv11 与 PLC 的低成本视觉引导自动化系统

    DeltaVisionX 将 YOLOv11 与 Delta DVP-SE PLC 结合,实现 0.97 的 mAP 和每分钟 80 个物体的分拣吞吐量。 YOLOv11 在传送带实时检测中推理速度为 100 毫秒/帧,编码器同步保证检测与执行可靠配合。 该系统降低对人工的依赖,提升制造效率,未来将集成高速 Delta 机械臂与 EtherCAT 伺服控制。