跳到正文
11月19日周四
  1. arXiv · AI25

    生成式 AI 软件测试:从业者对收益、挑战、机遇与风险的看法

    针对 64 名软件从业者的调查显示,生成式 AI 在减少测试工作量、生成测试用例及调试方面被普遍认可。 参与者担忧提示词依赖、信任缺失及错误输出,用户组更重视可靠性风险,非用户组对特定技术挑战存在更多不确定性。 研究强调生成式 AI 作为辅助技术需经人工验证,并指出从业者经验显著影响其对 AI 辅助测试的认知。

  2. arXiv · ML29

    Wi-HAR:基于变分Wi-Fi感知与证据不确定性的人类活动识别与部署偏移检测

    提出Wi-HAR架构,在公开基准12种活动测试中达成96.6%中位识别准确率,显著优于70.8%-81.5%的单天线模型。 利用证据深度学习生成类条件不确定性分数,在11个数据集中实现0.897的宏观平均ROC-AUC,检测82.5%的偏移样本且误报率为5.2%。 揭示检测性能随接收位置变化显著,表明相同物理变化未产生统一的不确定性响应。

  3. arXiv · AI30

    AI 时代研究软件度量指标现状综述

    基于 49 篇文献梳理,本文将研究软件度量指标归为 8 大类,涵盖数据源、有效性及滥用风险。 AI 加速代码生成导致溯源困难与归因滞后,现有指标难以适配新开发模式,需结合混合方法使用。 为研究软件工程师及资助方提供决策指导,以支持更可信的科学评估。

  4. arXiv · ML30

    神经网络决策边界几何特性的可视化与测量方法

    研究人员提出一种直接在高维输入空间可视化并测量人工神经网络(ANN)决策边界几何特性的方法。 该方法避免了传统投影技术带来的失真,分析不同架构和训练方法下的边界曲率与距离。边界距离随子空间增大而平缓增长,且训练方法对边界特性影响远大于架构或准确率。 此方法为改进神经网络的可解释性和理解机制奠定了基础。

  5. arXiv · AI30

    自动化审计上限:从通用代码到科学代码的结果与数据

    模型审计器在通用代码中召回率仅 30.0%,在科学代码中通过重构任务将错误标记从 68.7% 降至 36.0%。 在三项预注册研究中,确定性检查标记 49/49 不一致报告;文档验证器与模型审计器共标记 112/140 错误数据项。 研究表明模型审计存在显著局限,需结合确定性检查以弥补一致错误识别的不足。

  6. arXiv · ML24

    Probing Physics in Motion Diffusion Models Against Their Own Estimate 揭示运动扩散模型中物理知识的隐藏特性

    研究发现,MDM 和 MotionDiffuse 模型在平衡与飞行任务中,深层激活的信息提取收益不超过 0.01。跳跃下落率存在明显例外,MDM 早期去噪阶段线性探针的 R² 增益约为 0.08,且随采样进行而消退。该发现表明,评估模型物理认知需区分信息可读性与模型自身估计能力,对理解生成模型内部机制具有重要意义。

  7. arXiv · AI24

    WorldRuler: 可配置规则下的交互式世界建模

    WorldRuler提出基于3D规则图的交互式世界建模框架,实现规则状态在保存与加载中的持久化,并通过动态对象绑定将规则指定的实体接地到视觉实例中。 该模型引入对象属性状态替换与反事实重构训练,利用GTA-V和Habitat构建的RuleVerse数据集,有效解决了未见对象上准确实现规则诱导变化的难题。 实验验证WorldRuler能保持规则状态一致性并准确实现指定对象和属性上的规则结果。

  8. arXiv · ML23

    MINT 通过二元截断指示器优化多步离策略强化学习

    MINT 提出用二元截断指示器替代多步离策略 TD 方法中的轨迹系数乘积,解决方差控制与长时程信号的权衡。 该指标在真实值函数下具备幂等性,方差界由相遇时间生存率决定;单个采样动作即可提供无模型替代,无需转移模型。 在 MuJoCo、DeepMind Control 及 Atari 100k 等任务上,MINT 性能优于报告的多步基线。

  9. arXiv · AI21

    面向视觉智能体可信评估的预算配对反事实审计

    提出预算配对反事实审计协议,用于评估视觉智能体在有限观察预算下的决策表现。该方法固定公开证据与区域绑定,仅扰动剩余预算或声明任务参数,通过计算精确延续值,将丢失的预期准确率分解为逐步获取损失和终端决策损失。在40个配对路由锚点上验证了该协议将规划策略与固定角色启发式分离的有效性。

  10. arXiv · ML47

    RSIBench-Infra:Agent 能否在生产规模下优化自身训练与推理基础设施?

    研究团队发布 RSIBench-Infra,这是包含 20 个训练与推理任务的基准,涵盖 NVIDIA GPU 和 Ascend NPU。 任务部署最多使用 32 个加速器,Agent 可修改引擎、内核和指令层级的软件栈,通过 OCI 镜像层协议提交更改。 结果显示 66.2% 的任务实现了超过 1.10 倍的速度提升,证明当前 Agent 能改进生产级性能,但策略转化仍具挑战。

  11. arXiv · ML29

    循环神经网络中的时间秩

    summary_zh: 研究识别出循环神经网络(RNNs)受限于秩约束隐藏状态动态导致的时间信息瓶颈,该限制独立于梯度稳定性。 作者引入结构化高维状态动态以保持时间可分离性,防止输入到状态雅可比矩阵饱和;在受控序列任务中模型学习迅速。

  12. arXiv · ML50

    如何将注意力神经网络转化为可解释的硬逻辑谓词电路:真值表谓词提取与忒修斯船式替换下的状态机合并

    研究将 DistilGPT2 和 BERT-base 整体转换为硬逻辑谓词电路,无需乘法器或权重传输。电路在 TweetEval-emotion 上准确率分别为 66.5% 和 70.0%,低于教师模型但高于词袋基线。 电路分类单条推文耗时 1-2 微秒,比 GPU 推理快 2-3 个数量级,功耗 7.5-15 W,硬件描述可逐位复现。

  13. arXiv · ML30

    LLM辅助多保真贝叶斯优化:融合专家知识与数值数据

    该研究提出LLM辅助多保真贝叶斯优化(MFBO)方法,通过LLM解释专家关于低保真模型缺失物理效应的定性知识,生成知识基并将其纳入多保真模型。 在锂离子电池设计问题中,该方法将常规MFBO的遗憾曲线面积减少61%。受控实验表明,知识质量而非LLM选择决定了搜索加速效果,且知识层级消融量化了各陈述贡献。 结果表明LLM解释的专家知识可作为数值数据的补充信息源。

  14. arXiv · ML21

    OpenGNS:跨视觉、语言与扩散模型的梯度噪声尺度开放数据集

    研究者发布 OpenGNS 数据集,包含 400 多条 GNS 测量轨迹,覆盖 11M 至 1B 参数模型。 该数据集针对 ResNet、GPT 和 DiT 架构,在 muP 规范下进行密集批大小与学习率扫描,揭示 GNS 在不同模型规模下具有稳定性。 研究发现 GNS 在分类任务中倾向于高估 CBS,而在生成任务中倾向于低估 CBS。

  15. arXiv · AI29

    Think Offline, Act in Real Time: Self-Improving Visual Game Agents through Code

    在170个GameWorld任务中,代码策略平均进度达47.80%,优于模型控制器策略的30.90%,且在五个游戏类别中均领先。代码策略允许模型在离线阶段编写、测试和修改程序,该程序在实时游戏运行期间执行动作,而模型控制器需配合实时分块执行。结果表明,将学习存储在执行程序中比直接调整模型权重更能有效利用离线推理时间。

  16. arXiv · ML20

    分布自由不确定性量化用于天气预报:时空依赖下的保形预测

    研究基准测试了保形预测在格点气温预报中的8种区间构建方法,涵盖6小时至10天8个预报时效。 结果显示逐单元方法虽达到近名义边际覆盖率,但日间覆盖率方差为独立单元的3至10倍且误差聚集。 该研究仅覆盖单一变量和粗网格,指出无单一方法在过分散指数与区间得分上均最优。

  17. arXiv · ML21

    保持凸、半凸和拟凸函数结构的神经近似

    研究基于结构保持的神经近似框架,将输入凸神经网络(ICNN)扩展至半凸、拟凸及可凸变换函数。对紧凸域上的 C^{1,1} 凸函数,确立了 max-affine 近似在 m 个仿射片下的锐 W^{1,p} 极小极大率 m^{-1/d},并证明每个 max-affine 函数均存在宽度有界、复杂度随 m 线性增长的 ICNN 精确表示。

  18. arXiv · AI30

    NaviGATE:面向多模态知识图谱推理的噪声感知双视图生成框架

    NaviGATE 提出一种噪声感知生成框架,解决多模态知识图谱推理中嵌入方法语义细粒度不足及生成方法易受噪声干扰的问题。 该框架通过多模态语言模型微调激活结构感知内部知识,在推理时结合检索无关与检索感知双视图优化,利用对比 Logit 锐化增强可靠候选并抑制误导项。 实验表明,NaviGATE 在标准基准测试中一致优于强单模态、多模态及生成式基线,且在噪声检索场景下保持稳健。

  19. arXiv · ML20

    TabPFNv2 式表格基础模型:可靠扩展定律与 nanoTabPFN 开源训练管线

    研究表明 TabPFNv2 类模型的扩展定律在合成分数与真实数据集间存在差异,依赖少量数据集选参会导致性能高估。 需同步扩大合成预训练数据集规模以优化计算分配,增加预训练时采样的最大行数与特征数可改善性能并产生更可预测的扩展趋势。 这些洞察通过 nanoTabPFN 开源训练管线指导更高效模型的开发。

  20. arXiv · AI27

    PSG-GAN 合成睡眠呼吸暂停信号数据用于 AI 训练

    PSG-GAN 生成了包含阻塞性睡眠呼吸暂停特征的长段多信号合成数据。 自动评分模型仅用合成数据训练,睡眠分期和呼吸事件分割在健康志愿者和患者测试集上的 kappa 值分别为 0.71/0.63 和 0.57/0.60。 证明了合成数据支持睡眠诊断算法开发的潜力,源代码已开源。

  21. arXiv · AI28

    RAA 将分辨率作为注意力以提升 Agent 记忆感知效率

    RAA 提出以视觉分辨率作为注意力分配机制,动态调整过往交互的感知粒度,在多个任务和模型骨干上将 token 消耗降低超 50%,且不损害任务性能。 该方法将历史交互渲染为图像,通过轻量级相关性估计器优化感知保真度,可作为插件层集成到现有记忆管理中。

  22. arXiv · AI25

    Risk-Triggered Search (RTS) 实现行为保持的安全控制

    针对预训练视觉世界模型难以避免碰撞的问题,提出风险触发搜索(RTS)方法。 RTS 基于冻结 JEPA 模型,通过轻量级风险头预测动作条件未来风险,仅对触发警报的计划执行 CEM 搜索。 该方法在五项任务上将 Safe Arrival Rate 提升 12.67–41.67 个百分点,并降低 17.71–70.41% 控制器时间。

  23. arXiv · ML27

    DUAC 基于流场不确定性的自适应动作时域选择

    提出 DUAC(基于散度的不确定性感知自适应动作分块)方法,利用预训练视觉语言动作(VLA)模型的流场向量,通过单次生成和雅可比-向量积计算动作级不确定性,无需重训练或多端点采样。 在 LIBERO 系列和 RoboCasa 基准测试中,DUAC 的自适应时域选择在保持高任务成功率的同时,实现了低不确定性估计延迟。 该方法确立了流向量场作为机器人决策中高效、轨迹条件化预测不确定性来源的地位。

  24. arXiv · AI28

    CaDO:一种形式化验证引导的多智能体因果数据集修复与生成框架

    CaDO 框架在 18 组实验中的 16 组显著优于最强数据清洗基线,将下游模型准确率提升高达 9.1%。 该框架通过形式化因果推理、多级诊断和自动修复生成三阶段工作,95% 以上标记样本确认为缺陷,在 CLadder 上错误修改正确标签比 LLM 裁判少 92.2%。 代码和数据已公开可用,可促进高质量因果推理数据集的发展。

  25. arXiv · AI41

    长程智能体通过按需证据实现语义上下文交接 (SCH)

    SCH 提出状态-证据分离,将语义状态与证据解耦,按需恢复早期证据以解决长程智能体上下文膨胀问题。 SWE-bench 150 项任务中,SCH 在 token 使用量基本不变的情况下,将 Pass@1 从 80.0% 提升至 86.9%。 相比最强基线,SCH 在性能持平或更优时,减少 43% token 和 41% 运行时间。

  26. arXiv · AI30

    多模态模型在自主科学图表证据验证中的表现评估

    研究在 31 篇完整手稿上测试 6 个多模态模型自主验证图表一致性,结果显示 1,445 份审查中仅 3.3% 被评分标准认可为成功诊断矛盾。 尽管 60.6% 的审查提及了错误图表,但明确指出矛盾的低得多;当直接指明图表名称时,诊断率升至 20.4%,而仅靠文本审查无法识别矛盾。 表明评估多模态文档理解需重点考察模型提出验证目标的能力,而非仅测试其回答给定问题的能力。