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。
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。
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%。
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。
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。
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。
RPKD 模型通过对比共享的随机冻结原型向量向量,放弃对教师与学生特征空间对齐的传统假设。该方法包含 Logit 和 Feature 两个分支,分别在随机特征嵌入空间中操作。
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。
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。
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。
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。
研究提出 LatentWeave 框架,通过在推理时对中间隐藏状态进行分段精修以纠正偏差。 该方法引入轻量级 WEAVE 令牌作为推理锚点,以稳定推理结构并引导生成。 在多个多模态推理基准上,该框架相比基线模型取得了性能提升,且代码已开源。
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。
TaxoMFM 推出了一种将分类学结构整合到自监督学习中的肠道菌群基础模型。 该模型通过分类学感知编码和层次结构重建,实现了 231 个队列中 100,806 个菌群的预训练。 在跨队列零样本迁移中,TaxoMFM 在结直肠癌和 2 型糖尿病预测中分别取得了 0.838 和 0.736 的 AUROC。
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。
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。
研究揭示统一多模态模型在持续学习中的动态规律。 模态特定参数隔离度越高,跨模态干扰越弱;生成侧比理解侧更脆弱。纯后训练能力遗忘率达84%至90%,预训练能力则保持稳定。
HotPOT通过共享编码器与异构神经数值专家,在大规模PDE预训练中超越了MoE-POT模型。 模型在每个匹配规模对比中均表现更优,平均降低50.7%的rollout误差,17M参数模型甚至优于更大规模的MoE-POT。 该优势扩展至未见物理条件下的零样本预测,相关代码已公开。
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。
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。
Clock-Free Event (CFE) 层实现了对事件流切片方式和时间戳连续性的分区不变学习。 CFE 层基于 TM 状态,在 DVS128 Gesture 数据集上比加性状态高 3.5-9.1 分,在 SHD 和 Speech Commands 上分别高 24.5 和 30.6 分。 该模型具备抗时钟鲁棒性,可用于防范 spike-retiming 攻击。
针对热力学状态方程学习中的隐藏本体发现难题,提出了操作性可辨识性理论及构造性多项式时间算法。该算法通过复制对比提取广延与强度标度扇区,利用热接触恢复双余切配对,并验证全局可容许凹势。
在TopoPID-VQA 3000道拓扑题上,Graph-Grounded Harness将Qwen3-VL和Gemma-4的exact match准确率从36.7%提升至74.3%。 该方法在Digitize-PID数据集上恢复图的精确连接F1值为0.742,通过限制模型仅查询七类只读操作符来强制回答引用图证据。 成果已被NeurIPS 2026 VLM4RWD Workshop接收。
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。
研究者介绍多模态地理空间基础模型 FLORO,旨在从较小但多样的遥感语料库中构建可迁移表示。模型预训练数据包含 Sentinel-1、Sentinel-2、SkySAT、高程和 UAV 数据,并引入 availability-aware 输入机制适配不同传感器配置。
论文提出免训练KV选择方法Focused Forcing,在多个自回归生成范式下实现最高1.48倍端到端加速,同时提升视觉质量与文本对齐效果。 该方法通过结合注意力分数与历史帧多样性分数进行内容感知逐帧选择,并依据估算的头部重要性分配预算。
研究团队提出基于视觉语言模型的粗到细异常奖励模型 CaC。它通过全局时间扫描锚定异常时间窗口,在局部区间内进行细粒度空间定位,并采用结构化时空思维链推理以得出判断。
研究提出UniDG统一缺陷生成模型及包含30万条数据的UDG数据集,用于异常检测中的视觉缺陷生成。 模型采用MM-DiT注意力融合多模态条件,经两阶段训练后,在合成质量及下游异常检测任务中优于现有少样本基线。
RPS-Serve 是一种模态感知调度框架,通过“岩石-鹅卵石-沙子”抽象解决多模态推理中的异构干扰。 该系统利用轻量级聚类将请求分类,并采用基于老化技术的优先级调度,相比分解式系统在平均性能上提高 GPU 利用率 65%,降低 TTFT 高达 9.3 倍。
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。
MedGemma-4b-it 使用 LoRA 微调后,在 6 种疾病诊断测试中准确率达 80.37%,超过未微调 GPT-4 的 69.56%。该开源模型在癌症和肺炎等高风险任务中表现出更高灵敏度。研究证实领域微调对减少临床幻觉至关重要。
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。
ADTT 通过显式对齐历史 triplanes 并预测残差变化,在 Occ3D-nus 上实现了 SOTA 预测性能。该方法采用 ego-motion 补偿,使用查询条件 Transformer 仅预测场景变化,从而减少参数并提高 FPS。代码已公开。
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。
研究人员发布开源逐样本指标 MuQ-Eval,基于冻结 MuQ-310M 特征与 MusicEval 数据集训练。 该指标在系统级 SRCC 达 0.957,话轮级 SRCC 为 0.838,且在单张消费级 GPU 上支持实时运行。 LoRA 适配仅需 150 条数据即可实现个性化评估,优于现有开源基准。
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。
Invert4TVG 框架通过引入基于反转的时间视频定位(TVG)辅助目标,增强了模型对视频及查询中动作的理解能力。 该框架包含动词补全、动作识别和视频描述三类反转任务,并利用强化学习集成,在 Charades-STA 数据集上使 3B 模型的 R1@0.7 指标提升了 7.1%。
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。
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。
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。
在 PhysioNet 2012 和 MIMIC-IV 数据集测试中,该方法显著提升各项指标,其中神经系统功能障碍的 PR-AUC 从 0.461 提升至 0.557。 源代码将在论文被正式接收后公开发布。