跳到正文
11月10日周二
  1. arXiv · AI42

    PACE-ECG:结合时序对比与多任务监督的心电图预训练框架

    PACE-ECG框架利用同一患者时序邻近记录进行对比学习,结合临床多任务监督生成ECG表征。 在MIMIC-IV及外部HEEDB队列中,该模型以41倍更小的编码器规模,在死亡率及心衰预测上优于DeepECG-SSL,外部AUROC提升最高达11.0%。 消融实验证实患者时序配对显著优于通用自监督,表明预训练目标设计对临床可迁移性起关键作用。

  2. arXiv · ML20

    MCSA:用于原子间势能的 SO(3) 等变 GNN 多截止光谱聚合方法

    提出即插即用模块 MCSA,通过聚合不同截止半径的径向核增强多尺度几何表示,提升 SO(3) 等变 GNN 性能。 利用径向核紧支撑特性在角度张量积运算前融合权重,避免冗余计算并保持旋转等变性。 在能量、力、应力及声子色散等预测上实现一致改进,验证了物理动机制截距选择的有效性。

  3. arXiv · ML35

    DISCOVER:面向预算受限多模态 GRPO 的在线方差引导数据发现框架

    DISCOVER 提出在线数据发现框架,在严格 10% 唯一样本预算下显著提升多模态数学推理能力,表现优于随机选择、难例采样及同等训练步数的全池 GRPO 基线。 该框架将样本池组织为语义簇,查询密度多样化的代表性样本获取初始奖励,并通过近期加权滚动观察动态更新未标注样本效用估计。基于策略条件化分数(考虑奖励方差与难度)仅选取高效用提示进行标注,预算耗尽后转为基于效用的回放。

  4. arXiv · ML23

    选择性标签下的目标可恢复性:基于 ECG 的急性冠脉综合征预测中的失效模式

    研究揭示 ECG 模型在急性冠脉综合征预测中因选择性标签导致的失效,3 个微调模型在未检测患者中 AUROC 为 0.381-0.478,表现低于随机水平。 模型在已检测患者中 AUROC 达 0.740-0.770,但训练于不稳定心绞痛的模型与风险呈反向相关(AUROC 0.310)。 该机制表明有效学习需确保预测目标可从模型输入推断,并在预期部署人群中评估。

  5. arXiv · AI29

    研究测量2023-2025年美国选举生成式AI内容使用与披露情况

    该研究基于12,977名美国候选人数据,发现可检测生成式AI内容在选举周期内显著增加,且高频使用未披露。 挑战者产生的AI内容显著多于现任者,且在实施AI披露或禁令的州份,候选人并未产生更少的AI内容。 当前州法律主要规范“实质性欺骗性”内容,研究指出需引入额外政策机制以提升选举透明度。

  6. arXiv · AI20

    基于扰动谱分析扫视路径解码流水线

    提出扰动谱方法评估试水平扫描路径描述符,通过五种变换破坏特定属性并保留不变量,以重新拟合后参与者留出AUC的下降衡量流水线敏感性。 在仿真中,99.6%的区间覆盖目标值,排除零值的汇总率不超过2.5%;对12个二元问题(阅读、代码理解、视频观看)中7个描述符的扰动分析表明,扫视顺序置换会显著改变基于平均扫视幅度的描述符性能。

  7. arXiv · AI29

    视觉语言模型在土耳其视觉推理中的局限性研究:它们能看见,但能思考吗?

    视觉语言模型在高级认知任务如抽象逻辑和关系推理中表现不足,其核心缺陷在于无法发现底层规则并维持中间步骤的一致性。 该研究基于包含BİLSEM、MM-IQ、Visual Puzzles和PuzzleVQA的多语言评测框架,评估了不同数据混合策略与监督微调方法。 实验表明,采用LLM-as-a-Judge方法评估发现,微调可能导致模型崩塌,表现为无限文本循环或空输出,而基线模型推理更稳定。

  8. arXiv · ML30

    临床评估用于胸片报告生成的保形预测

    研究提出CLARITY框架,通过放射科医生标注评估多模态大语言模型生成的胸片报告,揭示现有保形预测方法失效。 该框架将临床相关错误与细微偏差区分,基准测试显示常用可接受性代理指标系统性地无法检测临床相关错误,且自动化判断与真实临床可接受性基本脱节。

  9. arXiv · AI31

    LITHOS 模型多模态岩石薄片图像分类与可解释性评估

    LITHOS 双流视觉 Transformer 在 105,802 个专家标注颗粒上显示分类错误紧密遵循标签分类学。 72.6% 的误分斜长石被归为通用 Feldspar 标签,25 个类别中 20 个显示 XPL 模态替换对真类概率影响更大。 41 个 95% 置信区间同时包含零,表明误差结构、模态敏感度与归因行为揭示了仅凭准确率无法发现的模型性能特征。

  10. arXiv · AI24

    ProofDiff:可审计的 AI 生成数学证明论证级比较系统

    ProofDiff 旨在支持人类审查而非验证数学正确性。给定两个文档,系统独立构建基于源文本的论证图谱,提出图谱间对应关系,并记录连接主张与推理步骤的类型化关系。 该系统集成人类审查层,允许修订图谱与对应关系以保留可审计历史,通过比较图谱检查文档是否遵循相同数学路径。 已在四个 AI 生成证明示例对上演示,早期版本获 NeurIPS 2026 研讨会接收。

  11. arXiv · AI28

    EvoDiff 生成式主动学习框架助力标注高效的全器官超声诊断

    EvoDiff 将扩散模型与进化搜索结合,在跨 15 个数据集的基准测试中,以大幅减少的标注量接近全监督性能。 该方法通过生成合成探针检索未标记真实样本进行训练,在跨领域外部验证中提升了基础模型泛化能力。 六名放射科医生参与的阅片研究显示,该框架有望支持临床标注流程,估算可减少 24% 至 84% 的标注工作量。

  12. arXiv · AI32

    AYO:一个用于研究儿童与LLM互动的安全且保护隐私的平台

    研究团队推出开源平台AYO,专为安全、系统地研究儿童与对话式LLM的互动而设计。 AYO提供儿童友好界面、可配置的基于年龄的安全护栏、研究人员监控及保护隐私的数据实践。 该平台支持横截面、纵向及实验性研究,旨在生成证据以指导更安全的AI系统、教育实践和相关政策。

  13. arXiv · AI35

    退伍军人心理健康危机严重度标注:LLM 是否比人类专家更一致?

    评估15个开源和10个专有LLM在退伍军人推文危机严重度标注上的一致性,LLM模型间序数一致性α达0.8336,高于人类专家的0.494。 测试8种提示变体显示专有模型与专家标注更符合且更稳定,GPT-5.6-Terra综合表现最佳,Qwen2.5-7B在识别自杀意念急性危机最强。 高一致性不必然代表符合人类判断或可靠检测罕见高危病例,LLM作为专家标注的补充需严格评估后用于高风险应用。

  14. arXiv · NLP30

    Transformer 的通信图谱:基于权重几何的全局耦合分析

    论文提出 Transformer 通信图谱,通过权重几何映射所有潜在通信通道。分析显示 70-89% 的注意力头对呈现显著非随机耦合特征。 研究恢复了归纳电路结构,并通过消融二维残差流子空间,在高达 Pythia-6.9B 的六个模型中使归纳功能失效。 作者开源了通信图谱、统计工具及干预套件,支持模型机制可解释性研究。

  15. arXiv · NLP29

    Animation2Code 基准测试:评估视频到代码生成的时序视觉推理能力

    研究团队发布 Animation2Code 基准测试,旨在评估视觉语言模型(VLMs)在视频到代码生成任务中的时序视觉推理能力。该基准包含 1,069 个网页动画视频及其对应的 HTML/CSS/JavaScript 实现,并提出了外观相似度和时序相似度两项指标。测试显示,当前最先进的 VLMs 在重建时难以保持时序一致性,即使外观相似度较高,且在微调和迭代优化设置下表现依然受限。

  16. arXiv · NLP29

    潜空间视觉推理瓶颈:数据信息不足与生成偏离

    研究发现模型在潜空间视觉推理中忽略连续潜 token,因其替换为无信息占位符后准确率不受影响。 分析表明现有数据中 oracle 潜 token 缺乏额外信息,且推理时生成的 token 偏离 oracle 表征,导致无法获益。 未来突破需依赖具备高信息量中间步骤的数据集及更精确的潜 token 预测方法。

  17. arXiv · NLP29

    Focus Matters: Attention-Value Dynamics for Efficient Hallucination Mitigation in Vision-Language Models

    针对大型视觉语言模型(LVLMs)的对象幻觉问题,研究提出基于注意力-值动态的免训练推理时干预方法。 该方法识别出视觉处理中的“聚焦”阶段,通过替换低注意力 token 的值向量来减少幻觉,同时保留真实物体证据。 实验表明该方法几乎不增加额外运行时开销,且能与现有推理时缓解方法兼容。

  18. arXiv · NLP25

    线性模型合并实现多模态数据混合的简单可扩展优化

    研究通过线性模型合并策略优化多模态大语言模型的 SFT 数据混合。该策略使用合并后的代理模型评估不同数据混合的效果。 在 14 个多模态 benchmark 上的实验表明,代理模型能一致选出接近最优的数据混合。这种方法解耦了混合搜索与高成本训练过程,提供了可扩展且高效的优化方案。

  19. arXiv · NLP29

    ChartHal:评估大视觉语言模型图表理解中幻觉的细粒度框架

    ChartHal提出了一套图表理解中的幻觉细粒度分类体系及包含1,062条人工验证样本的基准数据集。 实验显示,最先进的模型GPT-5和o4-mini在该基准上的准确率仅分别为34.46%和22.79%。 研究表明,涉及图表缺失或矛盾信息的问题最容易触发模型幻觉,凸显了开发更强健缓解策略的迫切需求。

  20. arXiv · NLP26

    安全对齐成本不均:非英语用户比英语用户承受更高的“安全代价”

    研究量化了安全对齐带来的效用损失,发现非英语用户承担的系统性“安全代价”高于英语用户。 该现象源于显性拒绝与多维度隐性差异,具体表现为小语种陷入保护弱、损失大的双重惩罚区,高资源语言为达到同等安全也需付出更大代价。 (注:原文未明确提及具体模型名称或量化benchmark分数,仅描述定性发现)