跳到正文
11月19日周四
  1. arXiv · ML25

    PraC 框架:通过主动推断统一混合学习与优化

    提出 PraC 统一框架,将贝叶斯优化与实验设计结合,通过主动推断解决混合学习与优化问题。 框架通过权衡信息增益与预期遗憾来评估候选查询,在决策监控、主动搜索及复合优化三个层级降低下游风险并提升关键区域覆盖率。

  2. arXiv · ML35

    CoreQ:面向大语言模型量化的失配校正逐次舍入框架

    研究人员提出无学习PTQ框架CoreQ,通过几何分解计算层自适应校正系数,结合贪心逐次舍入优化量化目标。 该框架避免了对有限校准数据的过拟合,无需调节系数,其扩展版K-CoreQ以少量额外计算换取性能提升。CoreQ在多个LLM家族和量化设置中实现了比强基准更低的困惑度和更高的下游准确性。

  3. arXiv · AI23

    CXReasonAgent:基于证据的胸片诊断推理智能体

    研究人员提出集成LLM与临床工具的CXReasonAgent,解决大型视觉语言模型(LVLMs)缺乏证据支撑及适配成本高问题。 该智能体在包含1,946个对话、覆盖12项诊断任务的基准测试CXReasonDail中表现优于LVLMs。 论文已被ML4H 2026会议接收,并提供了在线演示以支持可靠且可验证的诊断推理。

  4. arXiv · ML32

    SurvB-learner:生存分析中异质处理效应在信息性删失下的鲁棒性评估

    针对临床研究中信息性删失导致的偏差,提出一种基于部分识别的假设精简框架以评估条件平均处理效应(CATE)的鲁棒性。 该框架推导了CATE的有效界,并引入模型无关元学习者 SurvB-learner 进行估计,具备双重鲁棒性和准预言机效率特性。 通过模拟和真实数据实验验证了该方法的有效性,可识别出在信息性删失下治疗有效的患者亚群。

  5. arXiv · AI29

    绘制 AI 供应链图谱:生态系统中的依赖关系、脆弱性与市场集中度

    研究构建了多层级大规模数据集,系统记录 AI 生态中模型、数据、算力等要素在组织间的流动关系。 该数据集标注了时间与类型标签,通过分析中心节点、网络集中度及关键控制点,揭示了行业权力结构。 此资源旨在推动对 AI 供应链政治经济学的批判性研究,相关数据已公开供交互式探索。

  6. arXiv · ML21

    过参数化扩散模型:早期停止优于单纯扩大模型规模的研究

    过参数化扩散模型在训练过程中,泛化能力早于记忆现象出现。 实验表明,记忆发生时间与数据集大小成正比,符合核回归边界理论。通过引入随机规则的简单无上下文无关文法,验证了早期停止对泛化成本的控制。 该研究支持基于数据集规模设置早期停止标准,以避免记忆并优化泛化,对超参数迁移及隐私敏感应用具有直接影响。

  7. arXiv · ML24

    NeurIPS 2026 研究:SGD 动力学分解揭示教师诱导尖峰与方差放大机制

    该研究分解了两层神经网络中 SGD 的动力学,发现正交补分量中的教师依赖性谱尖峰会放大表示方差并降低泛化能力。 通过引入“分解动力学”替代模型,验证了在 ReLU 学生网络中冻结正交补分量方向能改善泛化,且信号分量与二层权重存在强耦合。 结果从动力学角度解释了教师子空间外的特征学习为何损害泛化。

  8. arXiv · AI22

    研究提出 Soft-MoQE 架构实现混合量子-经典学习

    研究提出 Soft-MoQE 架构,通过非可训练量子电路池与经典门控网络替代变分量子训练,避免 barren plateaus 等优化难题。 在 MNIST parity、MNIST 10-class 和 FashionMNIST 任务中,Soft-MoQE 性能优于单专家、均匀平均和线性基线,达到可训练量子神经网络的水平,且量子训练成本低数个数量级。

  9. arXiv · ML33

    探究动作条件语义预测作为自动驾驶世界模型的行动依赖性

    研究通过测试时动作干预,对比含与不含动作输入的世界模型,评估其在语义预测中对动作的依赖程度。 实验在合成环境及Cityscapes、BDD100K数据集上进行,正确动作最多提升mIoU 2.5点,而错误动作导致性能下降最多23.2点。 结果表明精度增益仅证明模型使用了动作,而非其预测对动作的依赖强度。

  10. arXiv · AI27

    基于 LLM 的智能电网网络物理攻击路径识别框架

    该框架利用 LLM 结合 STRIDE 和 MITRE ATT&CK 识别电网攻击路径,将 cyber 层关键节点重合度@3 从约 33% 提升至最高 100%,并降低 75-85% 的运行时间。 框架在 IEEE 14-bus 系统上评估,节点级相似度达 65%,路径级对齐度达 48%。 结果表明 LLM 引导的攻击路径识别是高效且具备物理感知能力的网络安全分析方法。

  11. arXiv · ML25

    无需训练的运动统计量匹配自监督行为编码器

    无需训练的通用帧级测量经PCA降维后,在CalMS21上以85.8 macro F1超越最佳自监督编码器82.4,且在MABe22小鼠任务中高出hBehaveMAE 3.4分。 该方法在短窗口下表现突出,原始关键点在自有坐标系中汇总即可在多数基准上匹敌或超越现有编码器,仅在蝇类任务中落后5.3分。 这表明当前行为编码器尚未超越其依赖的手工特征,建议未来评测需将此类无需训练的基线纳入对比。

  12. arXiv · ML24

    基于语音的帕金森病检测中性别差异研究

    研究评估了基于三个预训练语音模型嵌入和声学特征的帕金森病(PD)检测,发现女性在较大数据集上的分类准确率高于男性。 当模型仅针对单一性别训练时,无法泛化到另一性别;研究结果强调在开发PD检测系统时将性别作为变量纳入的重要性。

  13. arXiv · AI23

    ALIGN 方法在高风险 AI 用例中协调控制与问责

    ALIGN 是一种基于场景的方法,旨在解决 AI 特性限制人类控制所引发的问责与控制错位问题。 该方法通过提升意识、评估对齐度及支持设计决策,支持高风险 AI(如铁路)的开发与实施治理。 ALIGN 突出了 AI 全生命周期中控制与问责对齐的重要性,促进了 AI 治理。

  14. arXiv · ML32

    扩散模型是稀疏恢复的高效先验:多项式时间可证明恢复

    研究证明,使用捕捉稀疏性的Bernoulli-Gaussian先验的扩散模型,结合似然引导退火Langevin采样器,能在多项式时间内以近最优样本复杂度恢复稀疏信号。 该结论适用于广泛的随机与确定性感知矩阵,并在信号符合先验时建立后验采样的全变差保证。 这些结果为基于扩散先验的反问题求解器奠定了统计与计算高效的理论基础。

  15. arXiv · ML26

    音乐生成模型中首次发现和声进行稀疏电路

    研究在 ChatMusician 和 MuPT 中识别出预测和声进行的稀疏电路,确认为其核心驱动因素。 使用 Auto-Emergence 算法提取该电路,并通过因果干预验证其在 I 到 I 终止根音预测中的关键作用。 这是音乐领域首个系统性电路发现研究,被 NeurIPS 2026 Workshop on Interpretability for Discovery 接收。

  16. arXiv · AI22

    模型一致性保障数据驱动控制器在系统演化中的安全性

    针对数据驱动控制器因物理系统假设失效导致的安全隐患,提出一种将控制器、安全屏蔽及系统模型整合为虚拟单一底层模型(V-SUM)的方法。 该方法通过一致性检查持续评估安全保证,利用一致性保持规则在系统演化时自动更新模型并恢复有效屏蔽。在单轮车的避碰任务中,验证了该机制能有效维持系统变化下的安全保证。

  17. arXiv · AI22

    PIPETTE:用于鲁棒 LLM 智能体提示注入紫队的框架

    PIPETTE 提出一种提示注入紫队框架,通过在 AgentDojo 和 ASB 基准测试中实现近乎零的攻击成功率(ASR),同时保持与未防御基线接近的良性任务效用。 该框架采用基于词典学习的奖励机制鼓励攻击策略的广泛覆盖,并结合针对间接提示注入(IPI)防御的在线策略对抗训练流程。 此方法解决了现有基于强化学习红队方法中存在的模式坍缩问题,将红队发现有效转化为防御方的鲁棒性提升。

  18. arXiv · AI26

    WACO 提出位姿鲁少样本视觉-语言-动作模型,提升机器人操作策略稳定性

    研究团队提出世界锚定规范化框架 WACO,解决 VLA 模型因相机与机器人基座偏移导致的策略失效问题。在 LIBERO-PoseShift 基准及 UR5e 机器人测试中,WACO 将移位成功率分别提升 13.2 和 36.7 点,恢复 90% 仿真性能差距。该方法无需额外数据或测试时校准,在无扰动训练数据方法中创造新纪录。

  19. arXiv · AI42

    OCTR2A:城市路口实时 RGB 转 BEV 轨迹投影与预测

    OCTR2A 架构利用对角 RGB 相机重建并预测鸟瞰图(BEV)轨迹,实现城市路口实时感知与预测。 该模型在单张消费级 GPU 上实时运行,预测 ADE/FDE 达 0.154/0.241 米;相比 SIND 基准 SOTA,预测精度提升 66.7%/41.7%。 R3ST++ 合成基准支持真实场景适配,无需 LiDAR 或 HD 地图等昂贵资源。

  20. arXiv · AI20

    视觉检查中的受约束世界模型规划

    研究提出在部分可观测环境下结合神经符号观察规划,将紧凑循环世界模型与精确符号可行性规则分离,使用回溯地平线束搜索调度查询与终止。 在八个基准测试中,多步前瞻在紧预算下优于静态计划和无搜索离线强化学习,相比静态优先方法在 RUOD 和 ARIS 数据集上分别提升 28.4 和 15.1 AP 百分比,规划成本仅 11 ms。