跳到正文
11月19日周四
  1. arXiv · AI22

    SCAFFOLD:面向可复用 LLM-Agent 技能的凭证保留证据传输框架

    该论文提出凭证保留证据传输(WPET)框架,旨在解决 LLM-Agent 技能在上下文变更后复用时的信任与授权问题。框架定义了可废止的复用声称(WRC),将历史证据的适用性判定与真实性区分,并制定了条件保留结果及三值适用性标准。 文章强调 WPET 是一种规范学科而非已实现的验证器,仅贡献形式化问题陈述、设计义务及报告协议,未提供经验性优越性证明或通用 agent 安全证明。

  2. arXiv · ML23

    联邦学习 LoRA 重分配:提出 RASA 框架优化接收方感知知识迁移

    现有联邦 LoRA 方法保留主奇异方向导致响应误差无界,本文提出 RASA 框架解决矩阵最优截断与接收方需求不匹配问题。 RASA 利用对角输入二阶矩执行无中心化 PCA,在 DomainNet-100 上将准确率提升 3.23 个百分点,SuperNI 任务 ROUGE-L 最高提升 8.33。 该框架支持资源、任务和数据异构场景下的高效模型微调,具有即插即用特性。

  3. arXiv · AI38

    MLE Agents 实现大规模推荐系统中的自主机器学习工程

    人类在环的 MLE Agents 在大规模搜索排序器上自主提出并评估模型变更,单次战役运行 1,097 个实验并采纳 325 个,接受率达 29.6%。 该智能体采用并行训练和校准目标来解决反馈延迟与离线指标失准问题,最佳模型在 A/B 测试中使搜索量增加 0.23%,且多探索了人工直觉未涉及的架构变更。

  4. arXiv · ML36

    Toaster:基于级联线性记忆与目标传播的非线性记忆模型

    Toaster 通过组合两个线性记忆层并引入激活函数,构建了两层非线性记忆架构,利用目标传播机制更新隐层状态。 在 C4 和 PG19 数据集上,Toaster 的困惑度在所有测试尺寸(0.2B-1.6B)均优于 KDA 并匹敌或优于注意力基线,最大模型三试准确率 51.84%。 在 20K token 长度外推中表现稳定,且比 Titans 快 2.8-5.5 倍,提升了长序列处理效率。

  5. arXiv · AI40

    EVA-RSI: 视频评估器的递归自我改进以判断时间质量

    研究人员提出多智能体框架 EVA-RSI,通过构建固定代理考试实现对视频评估器的递归自我改进,无需人工标注即可提供监督信号。 基于 Qwen3-VL-8B 模型,EVA-RSI 在平滑度维度取得最大增益,并在 21 个测试模型中于公共基准动态子集上取得最高分数。 作为强化学习奖励,该评估器提升了生成视频的运动质量并获得了人类偏好。

  6. arXiv · ML27

    Agent Verifiers 在反事实分析中的初步研究:智能体异质性处理效应基准测试

    研究提出三层基准协议,利用 11 个数据集验证智能体生成的协变量,发现 xAI 的 GrokBot 工作区队友在文本及组合特征下于 6/11 和 7/11 数据集中获得更高的 RATE 比率。 协议包含检索合法性过滤、基于 RATE 的异质性验证及编码器合法性检查。研究显示编码器选择显著影响异质性信号,且时间过滤仅能保证检索合法性,无法消除编码器中记忆的未来事实泄露风险。

  7. arXiv · AI27

    GUARD 为冻结多模态模型在缺失模态下的风险受控校正

    提出 GUARD 方法,在不改变已部署预测器权重的前提下,通过检索估计校正量并利用部署匹配标签数据学习,解决冻结多模态模型遭遇缺失模态时的校正问题。 基于可交换性假设,GUARD 利用保形风险控制将损失增加超过预设容差概率限制在预设水平,在 9 个冻结模型-数据集对实验中优于盲目校正。 该方法避免了盲目校正常超支的危害预算,保留了大部分校正收益,适用于无法再训练权重的实际部署场景。

  8. arXiv · ML23

    基于不完备分数的反向扩散误差累积分析:超越路径空间

    该论文表明,当目标分布 $p$ 满足 Poincaré 不等式时,可通过规避“路径空间”分析来缓解扩散采样器的误差累积。 现有理论中采样误差随时间线性多项式累积,本文通过放宽度量至弱度量,在更广泛的框架下实现了这一结果。 研究进一步揭示,给定分数误差界,扩散采样器在总变差距离上几乎达到最优识别精度。

  9. arXiv · ML23

    无标签课堂录音中基于结构迁移的教师分割方法

    提出无标签课堂录音教师分割管道,在292条录音中实现0.81和0.87的教师F1分数,优于基线模型。 管道在智能手机上比pyannote快4.8倍,实时因子约0.18,滤波音频转录仅使教师词错误率从0.26升至0.28。 支持隐私保护部署,通过无标签推理标记不可分割会话以人工复核。

  10. arXiv · AI33

    Metrics-in-the-Loop:复杂度反馈重塑智能体编写的代码

    提出“Metrics-in-the-Loop”推理时干预机制,在智能体编写代码轨迹中注入循环复杂度与测试覆盖率反馈。 实验表明,复杂度反馈显著降低代码复杂度聚集而不影响正确性,为智能体提供“重新纠偏”的实用路径。 随着智能体处理百万行级代码库,此类实时干预对维持长期代码可维护性至关重要。

  11. arXiv · ML24

    DuoCL: 双路径在线持续学习框架

    DuoCL 是一种双路径在线持续学习(OCL)框架,在四个数据集和三种计算预算下,相比最强的基于梯度的基线方法,在线准确率平均提升 9.67 个百分点。 该框架包含快速解析路径和慢速路径:快速路径从每个传入的小批量中积累特征统计,慢速路径根据可用计算预算定期调整骨干网络。在分布漂移下,DuoCL 始终优于解析学习,在 CIFAR-C 上准确率提升最高达 4.00 个百分点。

  12. arXiv · AI21

    结构化表征建模 LLM 推理动态

    T/E/S 结合文本、局部事件和活动跨度,在 76 个评估组中,对 Transformer 和 Qwen 的下一结果预测准确率分别达到 70/76 和 74/76。 通过有限过程实验,取消共享延续质量的边界恢复了最优动作,将平均推理 CPU 时间减少 77.7%;在 71 个 HotpotQA 和 MuSiQue 保留集上,Brier 损失从 0.0836 降至 0.0756。

  13. arXiv · AI20

    评估受治理的 LLM 驱动机器学习实验:生命周期、溯源与失败指标

    研究提出评估 LLM 自主实验代理的实验过程而非仅看结果,构建了拥有试验生命周期的治理控制平面,并在 6 个 ML 任务和 1,445 次试验中验证了该框架。 治理账本通过追加式记录计算无效操作率、重复坏提案率等指标,暴露了任务分数掩盖的失败,如 120 次试验全败和无记忆分支问题。 所有 1,445 次试验的账本已开源,确保报告中所有数字可重新计算验证。

  14. arXiv · ML21

    Transformer 中声明式与程序式学习的模块级稳定性分析

    研究发现 Transformer 中可塑性与稳定性并不镜像对应:QK/VO 投影在程序式任务中最具可塑性,而 MLP 在声明式记忆任务中最具可塑性。 更新 QK 时可保留过半已存声明式记忆,而更新 MLP 和 VO 则分别导致显著更多和约 80% 的损失。 研究揭示可塑性与稳定性依赖于模块功能角色的不同方面,为持续学习提供了任务依赖的模块级视角。

  15. arXiv · AI38

    ARISE: 企业智能体自演化记忆架构提升准确率并降低成本

    新架构 ARISE 通过自评估机制在无需更新模型权重的情况下演化智能体记忆。 基于 SOP-Bench 和 $\tau^2$-bench 测试,ARISE-Teacher 利用 Claude Opus 4.6 归因,相比基线分别提升 10.9 pp 和 5.8 pp,且模型调用减少 4.0%。 该架构在 14 个企业工作流领域验证了可行性,实现了准确性提升与成本控制的平衡。

  16. arXiv · AI23

    面向多智能体食品援助的接收方条件化澄清框架

    研究提出推理时接收方条件化澄清框架,解决多智能体系统中不确定性在交接时丢失的问题。 框架通过保留共享前提身份并重放一致解释,确保澄清与资源导航、营养推理及供应侧规划联合支持。 该结构使问题相关性反映决策变化及缺失支持,将澄清连接至共同支持的计划。

  17. arXiv · ML27

    基于 PIES 保护机制的二值 Transformer 近似内存可靠性研究

    研究提出 PIES 方案以极低开销保护二值 Transformer 权重,恢复 BER 高达 10% 时的精度损失。 PIES 利用 Transformer 行列置换不变性对关键权重分组保护,开销远低于传统纠错;代码已在 GitHub 开源。 研究确认了在资源受限边缘设备上使用近似内存和激进电压缩放运行二值 Transformer 的可行性。

  18. arXiv · ML31

    基于领域知识与图结构学习的材料数据质量置信度评估框架

    该框架将材料数据质量评估转化为连续置信度估计,在 23 个 ODDS 基准上平均 AUC-ROC 达 0.866。 结合九维特征先验与 Memory-GAT 历史评分,在 mp_20 数据集上将测试 R² 从 0.538 提升至 0.616,平均精确率升至 0.953。 该方法有效解决了统计合理但存在物理约束违规的隐式数据污染问题,提升了材料机器学习模型的可靠性。

  19. arXiv · AI36

    视觉语言模型智能体在急诊 CT 和 MRI 阅片中的诊断准确性与导航行为分析

    研究显示,视觉语言模型智能体在急诊 CT 和 MRI 阅片中的诊断准确性远低于放射科医生。 自由导航策略下 VLM 整体准确率为 32.6%,显著低于放射科医生的 77.0%;即使提供全部切片,VLM 准确率也仅 42.5%。模型在浏览约 10.8% 的切片后即形成初步假设,且 63.1% 的情况下坚持该假设不改变。

  20. arXiv · AI37

    GUARD 框架通过遗憾指导稳定递归自我改进

    研究团队提出 GUARD 框架,利用方向性遗憾指导 AI 智能体在无需外部评分器的情况下稳定进化其提示词、技能等外部结构,避免局部退化与技能遗忘。 该框架将任务分解为执行前自检,通过 Soft-HURT 门控机制确保收益大于回归才推广编辑,并在推理时以单次运行冻结结构。 在记忆、技能进化及持续任务流基准测试中,GUARD 一致提升性能,防止灾难性遗忘,并显著削减部署 token 消耗。