跳到正文
10月30日周五
  1. arXiv · ML38

    去噪分数匹配损失作为局部内在维度(LID)估计器

    局部内在维度(LID)量化高维数据存在计算瓶颈,现有方法依赖大量前向传播或梯度计算。去噪分数匹配损失(denoising score matching loss)被证明是LID的下界,可作为高效LID估计器。 在Stable Diffusion 3.5实验表明,该方法在问题规模增大和量化水平提高时,相较于计算和内存受限场景,具有更优的精度、可扩展性和更小的内存占用。

  2. arXiv · ML21

    精准农业土壤水分估算:一种知识蒸馏方法

    该研究提出基于知识蒸馏的多模态学习框架 Soil Moisture Distillation(SMD),利用单模态教师模型提升精准农业中土壤水分估算的准确性。SMD 在最新基准测试中取得显著优势:相比最先进基线,其平均绝对百分比误差(MAPE)在土壤斑块上改善 2%,在作物图像上改善 1.2%。

  3. arXiv · ML20

    BEVLight:基于无人机鸟瞰图的泛化交通信号控制框架

    BEVLight 提出了一种从无人机鸟瞰图直接推导交通信号动作的框架,在 16 个场景中的 12 个实现了最低平均等待时间。 该模型将视觉特征映射到车道并组合为相位表示,利用超过 5K 个人类控制决策及重渲染轨迹进行训练,以增强视觉鲁棒性。 闭环实验显示其零样本泛化能力优于感知基线,平均等待时间降低 7–9%,且能迁移至真实无人机观测数据。

  4. arXiv · ML34

    表格基础模型无法作为校准临床风险预测捷径的模拟研究

    预注册模拟表明 TabPFN-3.5 等表格基础模型并非校准临床风险预测的捷径。在 58 个场景下,其校准斜率与 FLIC 差异极小,仅在 n=200 且事件率 3% 时表现更佳。 即使拥有 3,000 名患者,63%-83% 的样本仅能得到接近真实风险的平均值,TabICLv2 表现显著更差。实际数据显示,模型无法抵抗不同人群间事件率变化,需在本地数据上重新校准。

  5. arXiv · ML23

    隐式神经表示的 Meta-Initialization 加速形变医学图像配准

    针对隐式神经表示在形变医学图像配准中适配速度慢的问题,研究发现使用先前任务学习到的初始化可加速早期适配。 基于 KAN-IDIR 模型,Reptile 元初始化和 STRAINER 迁移方案在 OASIS-1 数据集早期迭代中均优于随机初始化。Reptile 在小迭代预算下数值表现更优,但 STRAINER 预训练仅需 39-40 分钟,远低于 Reptile 的 44.98 小时。

  6. arXiv · ML28

    OMatG-FC 框架条件性开放材料生成方法

    OMatG-FC 模型通过框架条件生成范式预测无机晶体材料,利用离散流匹配与随机插值实现。 该方法固定分数坐标与晶格向量,相比无约束生成大幅降低问题维度,且优于现有原型约束方法。 在 MP-20 数据集和 LeMat-GenBench 基准测试中,该方法取得低于凸包的前沿 S.U.N. 率。

  7. arXiv · ML22

    D-MOD:用于加速 MRI 的扩散模式估计算法

    D-MOD 是一种用于加速 MRI 重建的确定性扩散模型后验模式估计算法。在 fastMRI 脑数据集上,其单次重建在 PSNR 指标上优于 DPS 等方法的 10 样本平均,且速度比 MMSE 估计快 11 至 73 倍。该算法通过显著降低计算成本,为临床环境提供了实用的加速重建方案。

  8. arXiv · ML31

    流匹配中的耦合引导

    研究人员提出 Coupled Guidance,一种基于几何视角的流匹配专用引导机制,通过利用训练中的耦合结构,解决了直接移植扩散引导导致的不稳定性问题。 在 ManiSkill3 机器人避障、Adroit 灵巧操作及 ImageNet-128 图像生成任务中,该框架在无任何额外开销的情况下,提升了样本质量与引导稳定性。 该工作已被 NeurIPS 2026 接收,论文共 25 页。

  9. arXiv · ML31

    AI 的转折点:从 ChatGPT 经神经网络到神经形态 AI

    该专著对比了连接式 AI 的高能耗与神经形态 AI 的低功耗优势,指出人脑仅耗 20 瓦能量,而大型 AI 模型消耗达吉瓦时至太瓦时。 文中以 ChatGPT 文本生成模块为例,对比 Transformer 原理与脉冲神经网络 SNN 的编码、学习方法,涵盖突触可塑性、时间编码及 Loihi 2 等硬件。

  10. arXiv · ML29

    条件混合下掩码扩散模型的端到端保证

    本文为学习型去噪器在条件混合(CM)下提供端到端 KL 散度界,核心误差项为 \(\varepsilon + N\varepsilon'\)。 去噪步数只需 \(T=\mathcal{O}(\tau_c\log(N|\mathcal{V}|/\varepsilon))\),远少于固定随机顺序所需的 \(\Omega(N)\) 步;该指数阶在 minimax 意义下最优。

  11. arXiv · ML36

    FitzRoy:基于强化扩散模型的高保真降水预测系统

    FitzRoy 首个实现美国大陆区域 SOTA 预测技巧与物理真实性的系统,采用强化学习优化的条件离散扩散框架,支持 24 小时内的低延迟实时部署。 该系统解决了点精度与结构保真度的长期权衡,在 2025 年德克萨斯山丘洪水等案例中捕捉到现有模型普遍遗漏的破纪录降雨量。 通过弥合真实性与技巧的差距,FitzRoy 确立了高保真降水预测的新前沿。

  12. arXiv · ML23

    REVBRAIN: 基于残差向量量化的实时概率性 EEG 预测

    提出概率深度学习方法 REVBRAIN,实现实时 EEG 预测。利用残差向量量化(RVQ)将输出空间标记化,在完整预测窗口上一次性生成结果。 在 200 ms EEG 时间序列(alpha 频段 8-13 Hz)任务上,相比 WaveNet 模型实现 50 倍以上的推理加速,且在笔记本电脑 GPU 上达成实时性能,预测精度更优。

  13. arXiv · ML23

    Floor It, Then Fill It:基于十亿用户规模模拟创作者生态的公平视频内容推荐系统

    针对视频平台“富者愈富”的推荐偏差,提出一种基于真实平台分布的模拟框架,对约4.2万名创作者及其12周内的观众交互进行建模,以评估公平观看分配策略。 该模拟系统捕捉创作者多样性、行为保真度及群体有效性,将公平分配策略构建为预算多臂老虎机问题,通过保护底线和差距奖励机制实现创作者推荐公平性。

  14. arXiv · ML26

    MassSpecGym 上的可分性并非对齐性:面向谱图-分子检索的表征分析

    研究指出,基于冻结表征对齐的谱图-分子检索路径存在根本局限,且解决了数据稀缺问题的方法并非架构层面创新。 在 MassSpecGym 基准中,研究发现某些预测目标固定了分子身份但未确定度量指标;基于候选项的目标奖励了一种谱图无关的先验分布,模拟谱图效果优于冻结几何结构。 该工作已作为海报论文被 NeurIPS 2026 物理科学表征研讨会接收。

  15. arXiv · AI21

    AnyMo 结合 Residual FSQ 与掩码建模 Transformer 实现任意模态条件人体运动生成

    AnyMo 提出结合 Residual FSQ 运动 tokenizer 与可扩展掩码建模 Transformer 的统一框架,实现任意模态组合下的高保真人体运动生成。 框架基于 OmniHuMo 数据集构建,该数据集包含超 5,000 小时运动数据和 320 万条序列,带有文本、语音、音乐和轨迹等对齐的多模态标注。

  16. arXiv · AI34

    ClueTracer:用于多模态推理中无训练幻觉抑制的问题到视觉线索追踪

    ClueTracer 是一款无训练、无参数、架构无关的插件,可抑制大型多模态推理模型中的幻觉,并通过追踪问题到视觉线索的传播来定位任务相关区域。 该方法在推理基准上使包括 R1-OneVision、Ocean-R1 和 MM-Eureka 在内的所有推理架构性能提升 1.21 倍,无需额外训练。 该论文已被 EMNLP 2026 接收为 Oral 论文。

  17. arXiv · AI26

    PepEVOLVE:基于组内相对优势的位置感知动态多肽优化

    PepEVOLVE 提出位置感知动态框架,同时学习编辑位点与多参数优化策略,以解决多肽先导化合物优化难题。 该框架结合动态掩码预训练与多臂老虎机路由,并在 Rev-binding 基准中超越 PepINVENT,平均优化评分达 0.8,最优候选物评分 0.97。 此方法实现了可复现的线性及大环多肽优化路径,加速了设计周期并提升多目标设计质量。

  18. arXiv · AI33

    BRAID:基于双水平潜在动力学的多人交互动作生成模型

    研究人员提出Bilevel Representations for Agent Interaction Dynamics(BRAID)模型,这是一种用于生成式多人交互的分层序贯潜在变量模型。 该模型将社会动作生成公式化为元迁移学习问题,通过组级和个体级潜在状态,实现全量、稀疏或部分观测下的连贯生成,并可用于社会预测、追踪及反应生成任务。

  19. arXiv · AI35

    Pharos-ESG:用于 ESG 报告多模态解析、上下文叙事与分层标注的框架

    Pharos-ESG 是一个统一框架,通过多模态解析、上下文叙事和分层标注将 ESG 报告转化为结构化表示,在实验中持续优于专用文档解析系统和通用多模态模型。 该框架整合基于布局流的阅读顺序建模模块、由目录锚点引导的层级感知分段,以及将视觉元素转化为连贯自然语言的多模态聚合流水线,并输出 ESG、GRI 和情感标签。

  20. arXiv · AI23

    行李再识别:面向真实世界应用的策略研究

    论文研究了基于多视频流的端到端行李再识别(ReID)管道,旨在解决真实环境中遮挡和杂乱背景导致的性能下降问题。 在真实环境基准数据集上评估了选择和合并不同视角及镜头的策略,以优化再识别性能。 该研究被2026年IEEE基于内容的多媒体索引会议(IEEE CBMI)接收。

  21. arXiv · AI34

    WxCrop:首个结合天气与农业信息预测作物损失的智能体

    WxCrop 是首个通过因果分析结合天气与农业信息可靠预测作物损失的智能体,在佛罗里达州针对飓风、冻害和干热进行了验证。 该模型利用保险记录校准损失模型,飓风指数检测 AUC 达 0.98,历史损失复现误差在 2% 以内,县级排名相关系数为 0.63。 智能体可向政府、农户和科学家提供每个作物组损失占预期季节价值比例的溯源数据,以快速应对农业灾害。

  22. arXiv · AI26

    视觉基础模型中的空间状态表征研究

    基于冻结特征探针,一项研究发现视觉基础模型中可见场景的强解读数,并不能确保物体持久性或未来特征检索的准确性。 在静态室内环境的流式自我中心观察研究中,四项能力分析显示物体持久性和可操作性依赖于相机位姿的解读数,而特征预测依赖于可见场景的解读数。 这项研究强调,评估空间表征不仅要看可解码的信息,还要看该信息是否能在观察后保持并用于目标导向行为。