机器学习学术速递[9.15]

2026-09-15 | CS.LG机器学习 | 共 190 篇

[机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准

快速导航

1. 深度学习架构与训练方法 11 篇

2. 表示学习、自监督与对比学习 9 篇

3. 强化学习与序列决策 23 篇

4. 生成模型与概率建模 10 篇

5. 优化、泛化与理论分析 14 篇

6. 高效学习、压缩与部署 1 篇

7. 联邦学习、隐私与安全 7 篇

8. 鲁棒性、不确定性与可信学习 12 篇

9. 图学习与结构化数据 8 篇

10. 迁移、元学习与持续学习 8 篇

11. 数据集、基准与评测 10 篇

12. 机器学习应用 13 篇

13. 其他/综合机器学习 64 篇

1. 深度学习架构与训练方法 | 11 篇

1. LLMs or Naive Bayes? Old Gems or New Ways

LLMs 还是朴素贝叶斯？旧宝石还是新方法

AI 总结：该研究对比朴素贝叶斯与多规模LLMs在文本分类中的表现，发现NB在有标注数据时性价比更高，并提供自动模型选择的Kubernetes工具。

链接：https://arxiv.org/abs/2609.13185

机构：San Diego Supercomputer Center, University of California, San Diego（加州大学圣迭戈分校圣迭戈超级计算机中心）； Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）； Yonsei University College of Medicine（延世大学医学院）

作者：Mohammad Firas Sada, Dmitry Mishin, John Graham, Seungmin Kim, Mahidhar Tatineni, Frank Würthwein

2. Task-Aware Federated Fine-Tuning for MoE-based Large Language Models

基于任务感知的MoE大语言模型联邦微调

AI 总结：针对MoE大语言模型联邦微调中异构客户端数据导致的专家专业化削弱和更新冲突问题，提出任务感知方法FedTAR，利用路由输出和SVD提取任务坐标进行分层聚合，保持专家专业化并取得最优性能。

链接：https://arxiv.org/abs/2609.13395

机构：Georgia State University（佐治亚州立大学）

作者：Tingqi Wang, Hongyu Ke, Haoxin Wang, Rafal Angryk, Zhipeng Cai

3. Certifiably Interpretable Training of ReLU-MLPs for Boolean Tasks with Guaranteed Truth-Table Generalization

布尔任务中ReLU-MLP的可认证可解释训练，保证真值表泛化

AI 总结：提出MACCHIATO算法，通过迭代残差投影和电路编译，联合构建显式结构ReLU-MLP及布尔电路，实现可认证可解释性，并保证真值表泛化误差界。

链接：https://arxiv.org/abs/2609.13439

机构：University of Toronto（多伦多大学）； McMaster University（麦克马斯特大学）； Vector Institute（向量研究所）

作者：Hrad Ghoukasian, Anastasis Kratsios

4. On the Potential of Multi-Task Learning in Predictive Process Monitoring

多任务学习在预测性流程监控中的潜力研究

AI 总结：本研究首次系统评估多任务学习在预测性流程监控中的效果，发现其能显著提升下一活动预测并缓解类别不平衡，且任务平衡对低容量模型至关重要。

链接：https://arxiv.org/abs/2609.13477

机构：SAP Signavio； University of Mannheim（曼海姆大学）

作者：Lukas Kirchdorfer, Keyvan Amiri Elyasi, Heiner Stuckenschmidt

5. AttnFuse: A Composable DSL for Compiling Attentions to Fused GPU Kernels

AttnFuse：一种用于将注意力编译为融合GPU内核的可组合DSL

AI 总结：AttnFuse是一个针对注意力机制的小型可组合DSL，将RoPE等乘法前变换作为一等操作，编译为单个融合GPU内核，在RTX 3090上比flex_attention快2.10倍，在H100上接近PyTorch手工后端性能，并揭示了旋转演算规则。

链接：https://arxiv.org/abs/2609.13612

机构：University of Wisconsin–Milwaukee（威斯康星大学密尔沃基分校）

作者：Varun Kumar Dasoju, Tian Zhao

6. A Multi-Resolution Multi-Domain Pre-Training Framework for Universal Traffic Forecasting

多分辨率多域预训练框架用于通用交通预测

AI 总结：针对交通数据异质性导致预训练模型泛化差的问题，提出FlexST框架，通过多分辨率扩散模块、域自适应混合专家和统一周期编码，在23个数据集上零样本和少样本设置中显著超越现有基线。

链接：https://arxiv.org/abs/2609.13878

机构： National University of Defense Technology（国防科技大学）； Shandong University（山东大学）； HKUST (GZ)（香港科技大学（广州））； Didichuxing Co. Ltd（滴滴出行科技有限公司）； HKUST (GZ) and HKUST（香港科技大学（广州）和香港科技大学）

作者：Zhouyang Liu, Jindong Han, Hao Wang, Xinyue Liu, Hui Gao, Dongsheng Li, Hao Liu

7. Multi-Modal Tumor Survival Prediction via Graph-Guided Mixture of Experts

多模态肿瘤生存预测：基于图引导的专家混合模型

AI 总结：针对多模态肿瘤生存预测中模态缺失与整合难题，提出图引导的专家混合框架，利用图结构管理多模型集成，在TCGA-LUAD数据集上超越单模态及普通集成方法。

链接：https://arxiv.org/abs/2609.14072

作者：H Mathavan, H Liu

8. ZAPS: Zero-Cost Active Proxy Search for Neural Architecture Search

ZAPS：用于神经架构搜索的零成本主动代理搜索

AI 总结：ZAPS提出四阶段零成本主动代理搜索流水线，结合抗冗余代理选择、混合K-means播种、自助投票重选及XGBoost集成，在NAS-Bench-201上以200次评估恢复超半数真实顶级架构，优于现有基线。

链接：https://arxiv.org/abs/2609.14184

机构：ENSICAEN（卡昂国立高等工程师学校）； ISIA Lab, Université de Mons（蒙斯大学ISIA实验室）

作者：Hassan Touayouch, Rabie Najem, Mohammed Benjelloun

9. Data-free On-policy Distillation

无数据在线策略蒸馏

AI 总结：本文提出无数据在线策略蒸馏（DF-OPD），发现OPD对数据不敏感，教师自生成问题即可匹配甚至超越真实数据，在多教师蒸馏中填补98.5%的提升空间。

链接：https://arxiv.org/abs/2609.14193

机构：School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）； Foundation Model Department, Tencent（腾讯基础模型部）； National University of Singapore（新加坡国立大学）； Wuhan AI Research（武汉人工智能研究院）

作者：Gengsheng Li, Mao Zheng, Mingyang Song, Jie Sun, Zeyuan Liu, Ruiqi Liu, Qiyong Zhong, Haiyun Guo, Junfeng Fang, Jinqiao Wang

10. Multimodal deep learning from spectra for small-molecule structure identification: enhancing robustness with mixed-condition training

基于光谱的多模态深度学习用于小分子结构鉴定：通过混合条件训练增强鲁棒性

AI 总结：针对光谱缺失或不匹配问题，提出将光谱学领域知识融入混合条件训练，结合专家混合融合进行候选结构重排序，显著提升多模态小分子结构鉴定的鲁棒性。

链接：https://arxiv.org/abs/2609.14360

机构：Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences（中国科学院上海微系统与信息技术研究所）

作者：Bowen Gao, Lei Zhu, Yiying Wang, Wenjie Yu

11. MoARa: Module-Aware Rank Allocation and Structure-Preserving Decomposition for Low-Rank LLM Pre-training

MoARa: 面向低秩大语言模型预训练的模块感知秩分配与结构保持分解

AI 总结：MoARa通过模块感知秩分配与幅度-方向分解，在多种LLM架构上减少低秩预训练步数和墙钟时间，最高达41.7%步数减少。

链接：https://arxiv.org/abs/2609.15037

机构：Seoul National University（首尔大学）

作者：Keunyoung Kim, Nojun Kwak

2. 表示学习、自监督与对比学习 | 9 篇

12. Early Prediction of Satellite Collision Probability Using a Hybrid TCN-Transformer Model for a CDM-Based Conjunction Analysis Framework

基于CDM的合点分析框架中利用混合TCN-Transformer模型早期预测卫星碰撞概率

AI 总结：针对LEO卫星合点风险，提出基于无迹变换敏感性分析和PCA特征选择，构建增强CDM数据集，并用混合TCN-Transformer模型预测后续CDM的碰撞概率，实现早期风险评估。

链接：https://arxiv.org/abs/2609.13191

机构：TÜBİTAK UZAY（土耳其科学技术研究理事会空间技术研究所）； Istanbul Technical University（伊斯坦布尔理工大学）

作者：Rabia Tüylek Tok, Burak Yağlıoğlu, Enes Dağ, Emre Onur Kahya

13. Pretraining for Sample-Efficient Neural Interfaces

面向样本高效神经接口的预训练

AI 总结：本文提出MAPA自监督预训练方法，通过解剖区域嵌入和相对位置编码，在无需微调下提升脑机接口跨受试者解码性能，显著减少所需标签数据。

链接：https://arxiv.org/abs/2609.13507

机构：Duke University（杜克大学）

作者：Ben Tang, Zachary Spalding, Gregory B. Cogan

14. Entropy-Punctured Bloom Filters for Memory-Efficient Machine Learning

熵穿孔布隆过滤器用于内存高效的机器学习

AI 总结：本文提出熵穿孔布隆过滤器，通过经验熵移除低变异性位位置来压缩特征表示，在保持预测结构的同时提高内存效率，实验表明其在回归任务中优于经典压缩方法。

链接：https://arxiv.org/abs/2609.14187

机构：Florida Atlantic University（佛罗里达大西洋大学）

作者：John Cartmell, Mihaela Cardei, Ionut Cardei

15. $\mathbb{SL}(n)$ Representation Learning: An Intrinsic Mixed-Curvature Space with Higher Curvature Capacities and Deeper Order-Aware Composition

$\mathbb{SL}(n)$ 表示学习：具有更高曲率容量和更深层序感知组合的内在混合曲率空间

AI 总结：本文提出 $\mathbb{SL}(n)$ 空间作为混合曲率表示几何，通过简单约束实现最大曲率容量和深层序感知组合，在图基准上显著优于现有流形方法。

链接：https://arxiv.org/abs/2609.15083

机构：The University of Tokyo（东京大学）； Stanford University（斯坦福大学）

作者：Xingrun Li, Yusuke Mukuta, Xin Yang, Yinyu Ye, Tatsuya Harada

16. When Correlations Mislead: Confounder-Aware Multi-View Urban Region Representation Learning

当相关性误导时：基于混杂因子感知的多视图城市区域表示学习

AI 总结：针对多视图城市区域表示学习中共享潜在因子导致的相关性误导问题，提出混杂因子感知框架CURE，通过分离共享成分并融合残差视图表示，在三个真实城市数据上提升预测性能与鲁棒性。

链接：https://arxiv.org/abs/2609.15305

机构：Aalborg University（奥尔堡大学）； Chongqing University of Posts and Telecommunications（重庆邮电大学）； East China Normal University（华东师范大学）

作者：Sean Bin Yang, Ying Sun, Zongyi Xu, Tung Kieu, Jilin Hu, Bin Yang, Kristian Torp, Hua Lu, Torben Bach Pedersen

17. Rotation-Based Subspace Tracking for Robust Kernel PCA on Streaming Data

基于旋转的子空间跟踪用于流式数据上的鲁棒核主成分分析

AI 总结：本文提出基于旋转的更新机制，在再生核希尔伯特空间中向新样本旋转子空间估计，结合鲁棒影响函数抑制异常值，实现流式数据上核PCA的动态跟踪，实验证明比梯度下降收敛更快。

链接：https://arxiv.org/abs/2609.15488

机构：Harvard University（哈佛大学）； George Washington University（乔治华盛顿大学）

作者：Kris Lokere, John Fossaceca

18. Multi-View Molecular Representation Learning with Hierarchical Graphs and Contextualized Fingerprints

多视图分子表示学习：层次图与上下文指纹

AI 总结：HiFi-Mol提出多视图分子预训练框架，结合层次图编码器与上下文指纹编码器，在MoleculeNet基准上实现平均ROC-AUC提升2.77%，验证了两种视图的互补性。

链接：https://arxiv.org/abs/2609.15611

机构：Yonsei University（延世大学）； University of Waterloo（滑铁卢大学）； Yonsei University - Mirae Campus（延世大学未来校区）

作者：Gwang-Hyeon Yun, Jong-Hoon Park, Bing Hu, Helen Chen, Anita Layton, Young-Rae Cho

19. Sharp Rates and a One-Line Correction for Spectral Representation Learning

谱表示学习的锐利速率与一行修正

AI 总结：本文证明各向同性假设错误，提出对齐系数刻画迁移风险，给出匹配双边速率，并设计一行重加权修正方法，在受控数据上将遗憾从0.86降至0.003。

链接：https://arxiv.org/abs/2609.15825

机构：The University of Hong Kong（香港大学）

作者：Dier Tang, Jing Yee Tan, Guangyue Han

20. Task-Directed Residual AddUNet:Perfect-Reconstruction Routing for Full-Rate Representations

任务导向的残差AddUNet：全速率表示的完美重建路由

AI 总结：本文提出残差全速率PR架构，将AddUNet等价于多速率PR滤波器组，通过结构性守恒实现任务导向路由，在TIMIT上显著降低PER并保持精确重建。

链接：https://arxiv.org/abs/2609.15857

机构：International Institute of Information Technology Bangalore（国际信息技术学院班加罗尔）

作者：Vikram R. Lakkavalli

3. 强化学习与序列决策 | 23 篇

21. Diagnosing Faults in Reinforcement Learning Simulators and World Models with Canonical Polynomial Invariants

用典范多项式不变量诊断强化学习模拟器与世界模型中的故障

AI 总结：本文提出用典范多项式不变量诊断强化学习模拟器故障，通过筛选与归因程序准确定位违反的物理约束及参数，优于观察空间基线，并应用于多个环境验证其有效性。

链接：https://arxiv.org/abs/2609.13194

机构：MIU

作者：Tesfay Zemuy Gebrekidan, Hadush Hailu Gebrerufael

22. Learning to Solve Hard Problems in RL for LLMs by Never Giving Up

学习在LLM的强化学习中永不放弃以解决难题

AI 总结：针对LLM强化学习中简单问题提升大而难题提升小的马太效应，提出自适应采样方法NGU，动态分配计算资源，持续采样直至正确，在数学和编码基准上提升难题解决性能。

链接：https://arxiv.org/abs/2609.13443

机构：Mila, Université de Montréal（米拉，蒙特利尔大学）； Allen Institute for AI（艾伦人工智能研究所）； University of Washington（华盛顿大学）； Trillium Labs（特里利厄姆实验室）

作者：Michael Noukhovitch, Hamish Ivison, Nathan Lambert, Aaron Courville

23. Toward Optimal Switching Regret for Multi-Armed Bandits with Oblivious Adversary

面向多臂老虎机中遗忘对手的最优切换遗憾

AI 总结：本文提出一种结合固定份额学习器与二元区间子程序的算法，在遗忘对手下对任意未知切换次数S实现最优切换遗憾，解决了开放问题。

链接：https://arxiv.org/abs/2609.13547

机构：University of Iowa（爱荷华大学）

作者：Mengxiao Zhang

24. When Greedy Sampling Explores: KL-Regularized Contextual Bandits without Eluder-Dimension Dependence

当贪心采样进行探索：无 Eluder 维度依赖的 KL 正则化上下文赌博机

AI 总结：本文研究 KL 正则化上下文赌博机，证明贪心采样在奖励与偏好反馈下均可实现无 eluder 维度依赖的对数遗憾，并揭示其与上置信界探索间的权衡。

链接：https://arxiv.org/abs/2609.13564

机构：University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； Oregon State University（俄勒冈州立大学）

作者：Zichen Wang, Haoyang Hong, Huazheng Wang

25. HarnessBandit: Joint Learnability-Transferability Scheduling for Multi-Harness Agentic Reinforcement Learning

HarnessBandit：多框架智能体强化学习的联合可学习性-可迁移性调度

AI 总结：针对多框架智能体强化学习中的调度问题，提出HarnessBandit在线调度器，融合可学习性与可迁移性信号，在ClawGym训练并在两个基准上超越混合批次训练。

链接：https://arxiv.org/abs/2609.13739

机构：Harbin Institute of Technology（哈尔滨工业大学）； Alibaba Cloud（阿里云）

作者：Hongliang Wei (1 and 2), Xiaobing Tu (2), Yinggui Wang (2), Zhengxi Liu (2), Rongkun Xue (2), Jinkui Ren (2), Xiantao Zhang (2), Debin Zhao (1), Xiaopeng Fan (1) ((1) Harbin Institute of Technology, (2) Alibaba Cloud)

26. The Filter Metric is Safety-Critical: Phantom Advantages in Group-Relative RL under Shaped Rewards

过滤指标是安全关键的：形状奖励下组相对强化学习中的幻影优势

AI 总结：本研究揭示组相对强化学习中过滤指标与谓词不匹配导致幻影优势，提出应使用任务结果信号进行过滤，实验证明可显著提升模型性能。

链接：https://arxiv.org/abs/2609.13866

机构：Fudan University（复旦大学）

作者：Juntao Yu

27. Nonparametric Variance-Penalized Actor-Critic: Statistical Inference for Risk-Sensitive Reinforcement Learning

非参数方差惩罚演员-评论家：风险敏感强化学习的统计推断

AI 总结：本文提出非参数方差惩罚演员-评论家框架，用自举和随机缩放的在线估计器替代第二评论家，实现风险敏感强化学习的统计推断，并在HTS制造案例中显著降低变异性。

链接：https://arxiv.org/abs/2609.14327

机构：University of Houston（休斯顿大学）； Texas Tech University（德克萨斯理工大学）

作者：Saunak Kumar Panda, Tong Li, Yisha Xiang, Ruiqi Liu

28. Selecting k Paths with the Minimum Longest Path Length in the Stochastic Semi-Bandit Setting

随机半带反馈设置下最小化最长路径长度的k条路径选择

AI 总结：针对并行数据传输中需最小化所选路径最大传输时间的问题，本文将其形式化为随机半带设置下的k路径选择问题，并提出相应求解算法。

链接：https://arxiv.org/abs/2609.14557

机构：Graduate School of Information Science and Technology, Hokkaido University（北海道大学信息科学与技术研究生院）

作者：Shunsuke Aoki, Atsuyoshi Nakamura

29. Cloud Workflow Scheduling Based on Graph Attention-Driven Hierarchical Reinforcement Learning

基于图注意力驱动的分层强化学习的云工作流调度

AI 总结：提出图注意力驱动的分层强化学习框架，通过图注意力网络提取DAG依赖信息，结合事件驱动SMDP和双PPO代理，在阿里巴巴集群轨迹上实现高成功率、高容器利用率和低能耗的云工作流调度。

链接：https://arxiv.org/abs/2609.14952

机构：Kunming University of Science and Technology（昆明理工大学）； Zhejiang Gongshang University（浙江工商大学）

作者：Zongjin Li, Shaohan Feng, Chunxi Yang, Wenbo Wang

30. High-Probability Nash Regret for Decentralized Learning in Markov $α$-Potential Games: Episodic and Fully Online Asynchronous Algorithms with Applications to Markov Congestion Games

马尔可夫 $\alpha$-势博弈中分散式学习的高概率纳什遗憾：情节式与完全在线异步算法及其在马尔可夫拥塞博弈中的应用

AI 总结：针对马尔可夫α-势博弈，提出KL投影自然策略梯度算法，在情节式和完全在线异步设置下实现高概率纳什遗憾界，消除分布不匹配系数，并应用于马尔可夫拥塞博弈的在线作业调度。

链接：https://arxiv.org/abs/2609.14959

机构：University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

作者：S. Rasoul Etesami

31. HiGFRL: Hierarchical Graph Fusion-Driven Reinforcement Learning for Dependency-Aware Task Scheduling in Heterogeneous Cloud

HiGFRL：面向异构云中依赖感知任务调度的层级图融合驱动强化学习

AI 总结：HiGFRL提出层级图融合强化学习框架，通过三级状态表示与双网络架构，在异构云中实现依赖感知任务调度，显著降低Makespan并提升QoS。

链接：https://arxiv.org/abs/2609.14968

机构：Wuhan University（武汉大学）

作者：Tiangang Li, Shi Ying, Xiangbo Tian

32. Learning to Solve Stochastic Controls with Unknown Drifts and Running Rewards: Theory, Algorithms and Convergence

学习求解具有未知漂移和运行奖励的随机控制问题：理论、算法与收敛性

AI 总结：针对漂移和奖励未知的随机控制问题，提出基于探索性强化学习框架的策略迭代算法，利用概率表示求解最优价值函数与策略，并证明收敛性及数值验证。

链接：https://arxiv.org/abs/2609.14972

机构：University of Southern California（南加州大学）； Columbia University（哥伦比亚大学）

作者：Jin Ma, Gaozhan Wang, Jianfeng Zhang, Xunyu Zhou

33. What Does an LLM Learn from Reinforcement Learning? A Mechanistic Interpretability Perspective with Fixed-SAE Track

大型语言模型从强化学习中学到了什么？基于固定SAE追踪的机制可解释性视角

AI 总结：本文提出固定SAE追踪框架，发现RL主要增强现有特征而非创造新特征，且引导这些特征可恢复约80%的性能提升。

链接：https://arxiv.org/abs/2609.15064

机构：Peking University（北京大学）； National University of Singapore（新加坡国立大学）； The Chinese University of Hong Kong（香港中文大学）

作者：Lingheng Du, Yiming Tang, Xufeng Duan, Dianbo Liu

34. Refinement-based Flow Policy Optimization

基于细化的流策略优化

AI 总结：提出基于细化的流策略优化（RFPO），通过Q引导样本细化与自目标流匹配交替训练，解决流策略在线强化学习中隐式分布采样难题，在连续控制与多模态分布任务上优于基线。

链接：https://arxiv.org/abs/2609.15123

机构：Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）

作者：Bumgeun Park, Hyukjun Yang, Donghwan Lee

35. Nearly Minimax-Optimal Regret for Linear Contextual Bandits with Arbitrary Adaptive Action Sets

具有任意自适应动作集的线性上下文赌博机的近极小极大最优遗憾

AI 总结：研究具有任意自适应动作集的线性上下文赌博机，建立了匹配的上下界，改进了对动作集大小的依赖，并证明多项式依赖最优。

链接：https://arxiv.org/abs/2609.15170

机构：The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））

作者：Tianyuan Jin

36. Bandits with Probing: Optimal Regret and the Limits of Winner Feedback

带探测的赌博机：最优遗憾与获胜反馈的极限

AI 总结：研究带探测的多臂赌博机问题，确定了在获胜反馈下极小极大遗憾的两个最优定律，分别对应独立随机奖励和固定序列，揭示了探测优势何时能覆盖学习成本。

链接：https://arxiv.org/abs/2609.15248

机构：Zhejiang University of Technology（浙江工业大学）

作者：Yongjie Guan

37. Admissable: Training Reinforcement Learning Agents against Adversarial Missingness

Admissable：训练强化学习智能体以应对对抗性特征缺失

AI 总结：针对强化学习中的对抗性特征缺失问题，提出对抗训练算法，在MuJoCo三个基准环境上相比随机缺失基线显著提升鲁棒性。

链接：https://arxiv.org/abs/2609.15297

机构：Bielefeld University（比勒费尔德大学）

作者：Paul Stahlhofen, Luca Hermes, Tim Kochs, Markus Vieth, Barbara Hammer

38. Robust and Efficient Communication for Multi-Agent Learning

多智能体学习的鲁棒高效通信

AI 总结：本文提出多智能体正则化通信（MARC）框架，利用条件互信息和注意力机制生成鲁棒消息，在通信瓶颈下显著优于现有方法，并支持数据压缩。

链接：https://arxiv.org/abs/2609.15361

机构：Institute for Digital Technologies（数字技术研究所）； Loughborough University London（拉夫堡大学伦敦校区）

作者：Rafael Pina, Varuna De Silva, Corentin Artaud

39. CodeTS: Verifiable Text-to-Time Series Generation via Executable Code

CodeTS：通过可执行代码实现可验证的文本到时间序列生成

AI 总结：提出CodeTS框架，以代码为中间接口将文本到时间序列生成重构为文本-代码-时间序列流程，并设计多阶段执行奖励实现可验证的零样本生成，在八个基准上超越现有基线。

链接：https://arxiv.org/abs/2609.15393

机构：Zhejiang University（浙江大学）； Nanyang Technological University（南洋理工大学）； South China University of Technology（华南理工大学）

作者：Xudong Yuan, Shunyu Liu, Tongya Zheng, Huiping Zhuang, Mingli Song, Kaixuan Chen

40. Specifying Reward Functions for RL Without Environment Sampling

为强化学习指定奖励函数而无需环境采样

AI 总结：提出EARS方法，利用LLM构建特征并采样想象轨迹，从偏好中学习奖励函数，无需环境交互，在三个长时域任务中优于直接提示LLM的基线。

链接：https://arxiv.org/abs/2609.15544

机构：Stanford University（斯坦福大学）； The University of Texas at Austin（德克萨斯大学奥斯汀分校）

作者：Stephane Hatgis-Kessell, W. Bradley Knox, Emma Brunskill

41. Assembling the CREW: A Collaborative Multi-agent Reinforcement Learning Framework for Automated Related Work Generation

组装 CREW：用于自动相关工作生成的协作式多智能体强化学习框架

AI 总结：针对多智能体LLM相关工作生成中静态协调的局限，提出CREW框架，让智能体通过IPPO策略自主选择操作动态协作，在标准基准上显著提升质量并降低令牌成本。

链接：https://arxiv.org/abs/2609.15721

机构：The Chinese University of Hong Kong（香港中文大学）； Hanoi University of Industry（河内工业大学）； Hanoi University of Science and Technology（河内理工大学）

作者：Hai-Dang Dang, Bao-Yen Pham, Bao Nguyen, Tran Thi Huong, Huynh Thi Thanh Binh

42. Safe Meta-Reinforcement Learning via Information Space Reachability

基于信息空间可达性的安全元强化学习

AI 总结：本文提出一种安全元强化学习框架，通过在信息空间中推理安全性并学习安全值函数，实现适应过程中的安全过滤与约束策略优化，实验验证了其有效性。

链接：https://arxiv.org/abs/2609.15915

机构：Massachusetts Institute of Technology（麻省理工学院）

作者：Zeyang Li, Sunbochen Tang, Navid Azizan

43. Bellman Policy Optimization

贝尔曼策略优化

AI 总结：本文提出贝尔曼策略优化（BPO），一种基于策略镜像下降的无评论家强化学习方法，通过贝尔曼方程将目标转化为轨迹级形式，避免中间状态值估计，并在数学推理基准上验证了其有效性。

链接：https://arxiv.org/abs/2609.15987

机构：Apodex US, Inc.（Apodex US公司）； Princeton University（普林斯顿大学）

作者：Zhuoqing Song, Haotian Xu, Xikun Zhang, Lidong Bing

4. 生成模型与概率建模 | 10 篇

44. ReCAST: Reward Credit Assignment across Timesteps for Online Diffusion Reinforcement

ReCAST：面向在线扩散强化学习的跨时间步奖励信用分配

AI 总结：ReCAST提出按时间步和奖励的权重矩阵，根据Rényi可区分性增益分配信用，以区分用户偏好与奖励信息量，在扩散奖励微调中提升训练及泛化性能。

链接：https://arxiv.org/abs/2609.13425

机构：University of California, Los Angeles（加州大学洛杉矶分校）； Arena AI

作者：Yihang Chen, Yuanhao Ban, Kuei-Chun Kao, Cho-Jui Hsieh

45. Learning Through Energy Refinement and Manifold Projection: A Cooperative EBM-AE Framework

通过能量精炼与流形投影学习：一种协同EBM-AE框架

AI 总结：提出协同EBM-AE框架，通过Langevin采样与自编码器流形投影交替精炼，联合训练提升生成质量，并在图像修复中验证流形投影主导重建、能量精炼补充优化，实现生成、重建与分布外检测的统一。

链接：https://arxiv.org/abs/2609.13917

机构：Hydro-Québec（魁北克水电公司）

作者：Ryad Zemouri

46. To do($x$) or not to do($x$): Medical Image Counterfactuals for Dataset Augmentation

做($x$)还是不做($x$)：用于数据集增强的医学图像反事实

AI 总结：本研究区分医学图像反事实生成的因果与非因果方法，比较确定性、无向和因果三种条件化策略，发现因果方法能提升数据集增强的下游性能与公平性，为数据生成协议设计提供指导。

链接：https://arxiv.org/abs/2609.14124

机构：University of Oxford（牛津大学）

作者：Yasin Ibrahim, Robin J. Evans, Konstantinos Kamnitsas

47. CyFM: Cylindrical Optimal Transport for Few-Step Complex-Valued Flow Matching

CyFM：用于少步复值流匹配的圆柱最优传输

AI 总结：针对复值信号建模，提出圆柱流匹配（CyFM），通过解耦度量与精确最优传输耦合，显著降低少步生成误差，并揭示因子化耦合陷阱。

链接：https://arxiv.org/abs/2609.14171

机构：Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）

作者：Marcel Musiałek, Iga Wolanin, Damian Ryczko, Anna Grelewska, Oleksii Furman

48. Draining Fictitious Knots: Restoring Distance-Awareness Guarantees for High-Dimensional Spline Networks

排干虚构节点：恢复高维样条网络的距离感知保证

AI 总结：针对高维样条KAN中虚构节点破坏距离感知保证的问题，提出排水机制，通过构造单调递减不确定性路径恢复保证，在2D和100维实验中将SDA从85%提升至98-99%。

链接：https://arxiv.org/abs/2609.15274

机构：University of Maine（缅因大学）； Rochester Institute of Technology（罗切斯特理工学院）

作者：Masoud Ataei, Mohammad Javad Khojasteh, Vikas Dhiman

49. Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation

Impute-EM：用于异构数据插补的原生混合状态扩散模型

AI 总结：Impute-EM提出期望最大化框架，交替插补缺失值与重拟合原生混合状态扩散模型，解决异构数据插补中离散与连续结构不匹配问题，实现最佳分布保真度。

链接：https://arxiv.org/abs/2609.15284

机构：Applied AI Institute（应用人工智能研究所）； Moscow State University（莫斯科国立大学）； Yandex Research（Yandex研究院）

作者：Sergei Kholkin, Kirill Sokolov, Dmitry Baranchuk, Evgeny Burnaev, Alexander Korotin

50. Representing Clinical Conditions on Vital Signs from Healthy Individuals using Latent Modeling

使用潜在建模表示健康个体生命体征中的临床状况

AI 总结：本文提出基于条件变分自编码器的深度生成模型，利用ICU数据训练，以重塑健康个体生命体征模拟临床状况，并通过距离度量验证其优于基线。

链接：https://arxiv.org/abs/2609.15379

机构：Institute for Digital Technologies Loughborough University London（拉夫堡大学伦敦数字技术研究所）

作者：Rafael Pina, Varuna De Silva, Mindula Illeperuma

51. Bayesian Optimisation Using Product-of-Experts Gaussian Process Models with Uncertainty Calibration

使用不确定性校准的专家乘积高斯过程模型进行贝叶斯优化

AI 总结：本文提出BO-pro-c，一种采用不确定性校准的专家乘积高斯过程模型作为代理的贝叶斯优化算法，在保持竞争性能的同时，显著降低计算开销并减少简单遗憾。

链接：https://arxiv.org/abs/2609.15555

机构：University College London（伦敦大学学院）

作者：Yean Hoon Ong

52. Principal-timestep Restricted Init via Sparse Matrix-decomposition in Flow-matching

流匹配中的主时间步稀疏矩阵分解受限初始化

AI 总结：针对流匹配扩散模型微调中LoRA谱初始化失效的问题，提出Prism-LoRA，通过主时间步选择与主通道过滤改善梯度对齐，在多个基准上加速收敛并提升性能。

链接：https://arxiv.org/abs/2609.15643

机构：University of Warwick（华威大学）； Bytedance（字节跳动）； Apple Inc.（苹果公司）

作者：Jiayang Gu, Zheng Fang, Lichaun Xiang, Fanghui Liu, Xu Cai, Hongkai Wen

53. Backward SDEs-based Diffusion for Physics-Constrained Generation

基于倒向随机微分方程的扩散模型用于物理约束生成

AI 总结：本文提出基于倒向随机微分方程的终端条件反演方法，将预训练扩散先验与物理约束结合，实现严格可行性保证，并在稀疏视图CT重建中验证了改进效果。

链接：https://arxiv.org/abs/2609.15702

机构：University of Tennessee, Chattanooga（田纳西大学查塔努加分校）

作者：Zihao Wang

5. 优化、泛化与理论分析 | 14 篇

54. Algorithmic Information Dynamics of Learning: A Certified, Differentiable Complexity Controller for Grokking

学习的算法信息动力学：一个经认证的、可微的复杂性控制器用于Grokking

AI 总结：本文利用可微算法复杂性估计器作为控制器，在奥卡姆边界内加速grokking，通过复杂性门以更少干预拯救失败种子，并揭示时机而非归因是核心贡献。

链接：https://arxiv.org/abs/2609.13197

机构：Oxford Immune Algorithmics（牛津免疫算法公司）； Oxford University Innovation（牛津大学创新公司）； London Institute for Healthcare Engineering（伦敦医疗工程研究所）

作者：Luan Ozelim, Hector Zenil

55. GeoTTER: Leveraging Local Geometry of Optimal Transport for Zero-Shot Classification

GeoTTER：利用最优传输的局部几何进行零样本分类

AI 总结：GeoTTER通过图拉普拉斯平滑和聚类引导成本融合，改进最优传输以解决零样本分类中的校准和适应性问题，在多个基准上中位提升6.82%。

链接：https://arxiv.org/abs/2609.13518

机构：SUNY Buffalo（纽约州立大学布法罗分校）； Lawrence Livermore National Lab（劳伦斯利弗莫尔国家实验室）

作者：Wei-Yang Alex Lee, Rudrasis Chakraborty, Vishnu Lokhande

56. Curvature-Independent Regret Bounds for Distributed Online Optimization on Hadamard Manifolds

Hadamard流形上分布式在线优化的曲率无关遗憾界

AI 总结：本文提出分布式黎曼在线梯度下降（D-ROGD）算法，在Hadamard流形上针对h-凸函数实现曲率无关的遗憾界，分别达到O(√T)和O(log T)的静态遗憾，并通过实验验证。

链接：https://arxiv.org/abs/2609.13646

机构：Northeastern University（东北大学）

作者：Zhanyuan Cai, Emre Sahinoglu, Shahin Shahrampour

57. A Variational Optimal Transport Operator on Incompressible Flow

不可压缩流上的变分最优传输算子

AI 总结：提出变分不可压缩最优传输算子，用前馈推理替代逐对优化，实现2D/3D密度传输的秒级生成，较基线加速约万倍。

链接：https://arxiv.org/abs/2609.13729

机构：Georgia Institute of Technology（佐治亚理工学院）

作者：Jinjin He, Shenyifan Lu, Sinan Wang, Zhiqi Li, Duowen Chen, Bo Zhu

58. Optimal Transport for Efficient, Unsupervised Anomaly Detection on Industrial Data

最优传输用于工业数据的高效无监督异常检测

AI 总结：本文提出基于最优传输的无监督异常检测框架，无需标签即可适应实时工业传感器数据，在航运、暖通空调及基准数据集上有效识别异常并减少误报，优于传统方法。

链接： https://arxiv.org/abs/2609.13940

机构：Imperial College London（帝国理工学院）； IBM Research Europe（IBM欧洲研究院）； IBM T.J. Watson Research Center（IBM T.J.沃森研究中心）

作者：Abigail Langbridge, Fearghal O'Donncha, James T Rayfield, Bradley Eck

59. Linear Ensemble Sampling with Smaller Ensembles

线性集成采样与更小的集成规模

AI 总结：针对线性bandit中集成采样规模与遗憾保证的间隙，提出按格拉姆矩阵变化刷新集成的算法，将规模降至Θ(d log d+d log log T)，同时保持最优遗憾界，并适用于有限臂集。

链接：https://arxiv.org/abs/2609.13954

机构：Seoul National University（首尔大学）

作者：Taehyun Hwang, Min-hwan Oh

60. CoArena: Evaluating Computer-Use and Multi-Agent Systems in Real Time

CoArena：实时评估计算机使用与多智能体系统

AI 总结：CoArena提出实时评估计算机使用与多智能体系统的方法，通过用户实时提交任务、并发执行与在线评分，形式化定义实时性并给出完整评分方法，实现动态、抗污染的评估。

链接：https://arxiv.org/abs/2609.14239

作者：Nitish Kovuru, Prateek Jannu

61. Bayesian optimization with kernel ensembles and disagreement-based acquisition for source localization and acoustic inversion

贝叶斯优化结合核集成与基于分歧的采集函数用于声源定位与声学反演

AI 总结：针对声源定位与地声反演，提出加权高斯过程核集成与最优条件采集函数结合的贝叶斯优化方法，在SWellEx-96数据上取得最低平均目标值并降低参数误差。

链接：https://arxiv.org/abs/2609.14262

机构：University of Georgia（佐治亚大学）； University of California, San Diego（加利福尼亚大学圣迭戈分校）

作者：Heng Zhang, Haotian Xiang, Florian Meyer, Qin Lu

62. Symmetries and Singularities

对称性与奇异性

AI 总结：本研究利用图结构与注意力参数的对称性，在教师-学生框架下解析估计图注意力模型的局部学习系数，使大规模LLC计算更可行。

链接：https://arxiv.org/abs/2609.14663

机构：Truth Audit Labs（真相审计实验室）

作者：Vishnu Varadarajan, Mihir More, Aritra Das, Debayan Gupta

63. Branched Optimal Transport Amortization

分支最优传输摊销

AI 总结：本文提出一种可扩展的分支流匹配算法，将Benamou-Brenier公式改编为分支生成流，以解决高维分支最优传输问题，并在生物和图像生成任务中验证其有效性。

链接：https://arxiv.org/abs/2609.15072

机构：MBZUAI（穆罕默德·本·扎耶德人工智能大学）

作者：Semyon Semenov, Viktor Kovalchuk, Meir Roketlishvili, Albert Baichorov, Fakhri Karray, Martin Takac, Arip Asadulaev

64. Convergence rates for generative drifting flows: fixed-scale obstructions and multihead acceleration

生成性漂移流的收敛速率：固定尺度障碍与多头加速

AI 总结：本文研究生成性漂移流的收敛速率，发现固定分辨率导致细尺度特征难以捕捉、收敛缓慢，提出多头方法融合多尺度信息，恢复指数收敛，为快速单步生成模型提供新路径。

链接：https://arxiv.org/abs/2609.15193

机构：Centre de recherche en économie et statistique（经济与统计研究中心）； ENSAE, IP Paris（ENSAE，巴黎综合理工学院）； Département de Mathématiques et Applications（数学与应用数学系）； CNRS, École Normale Supérieure, PSL（法国国家科学研究中心，巴黎高等师范学院，巴黎文理研究大学）

作者：Arthur Stéphanovitch, Eddie Aamari

65. Learning CNF Formulas from Uniform Random Solutions: Near-Tight Sample Complexity for Valiant's Algorithm

从均匀随机解中学习 CNF 公式：Valiant 算法的近紧样本复杂度

AI 总结：本文重新分析 Valiant 算法在局部引理条件下从均匀随机解学习 CNF 公式的样本复杂度，证明其在 $t>1$ 时达到匹配下界，在 $t=1$ 时对数因子内最优。

链接：https://arxiv.org/abs/2609.15268

机构：The University of Hong Kong（香港大学）； Nanjing University（南京大学）

作者：Weiming Feng, Yixiao Yu, Yiyao Zhang

66. Solving Finite-sum Coupled Compositional Optimization via Multi-block-Single-probe Estimator

求解有限和耦合组合优化问题的多块单探针估计器

AI 总结：针对有限和耦合组合优化问题，提出多块单探针方差缩减估计器，在部分块采样下高效追踪多函数，改进非凸等目标的样本复杂度，并在多任务深度AUC最大化中验证优越性。

链接：https://arxiv.org/abs/2609.15723

机构：Nanjing University of Science and Technology（南京理工大学）； Nanjing University（南京大学）

作者：Wei Jiang, Sifan Yang, Yibo Wang, Lijun Zhang, Zechao Li

67. Learning Multimodal One-step Flow Policy via Value-weighted Optimal Transport

通过值加权最优传输学习多模态一步流策略

AI 总结：针对离线强化学习中一步流策略学习的模式坍缩和分布外过估计问题，提出基于值加权最优传输的OptiFlow框架，通过传输引导实现分布内高值模态利用，在多个基准上表现优异。

链接：https://arxiv.org/abs/2609.15883

机构：Yonsei University（延世大学）

作者：Jaehun Shon, Jinha Choi, Jongwook Jeon, Jongmin Lee

6. 高效学习、压缩与部署 | 1 篇

68. Discovering and Preserving Category Correlation Knowledge via Adaptive Reciprocal Knowledge Distillation

发现并保留类别相关性知识：通过自适应互惠知识蒸馏

AI 总结：提出自适应互惠知识蒸馏（AR-KD），通过匹配教师类别相关性矩阵与学生关系表示来简化教师输出，缓解暗知识崩溃，在CIFAR-100和ImageNet-1k上显著提升学生性能。

链接：https://arxiv.org/abs/2609.13199

机构：Wuhan University of Technology（武汉理工大学）； Tongji University（同济大学）

作者：Dawen Jiang, Zhishu Shen, Zeyu Liu, Tiehua Zhang

7. 联邦学习、隐私与安全 | 7 篇

69. Machine Unlearning for Speech Question Answering in Large Audio-Language Models

大型音频语言模型中语音问答的机器遗忘

AI 总结：本研究针对大型音频语言模型中的语音问答任务，提出多种机器遗忘策略（如梯度上升、任务算术和对齐微调），在降低高达80%隐私泄露率的同时，保持非私有任务性能接近不变。

链接：https://arxiv.org/abs/2609.13195

机构：Meta Platforms, Inc.（Meta平台公司）

作者：Zhe Liu

70. Pathwise Individual Rationality in Federated Learning: A Mechanism-Architecture Co-Design

联邦学习中的路径级个体理性：一种机制-架构协同设计

AI 总结：本文针对联邦学习中客户端因短期损失而退出问题，提出机制与架构协同设计，结合短期参与保证与个性化评估，在中等异质性下避免损失且不损性能，严重异质性下以精度代价换取客户端收益。

链接：https://arxiv.org/abs/2609.14591

机构：The Ohio State University（俄亥俄州立大学）

作者：Amin Meghrazi, Srinivasan Parthasarathy, Andrew Perrault

71. OCT-FedSIR: Toward Trustworthy Federated Ophthalmic Learning under Annotation Noise

OCT-FedSIR：面向注释噪声的可信联邦眼科学习

AI 总结：OCT-FedSIR提出可靠性感知谱框架，结合谱估计与重标记，在异构联邦眼科数据中有效识别并纠正注释噪声，提升分类准确率至86.73%。

链接：https://arxiv.org/abs/2609.14734

机构：University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）； Wake Forest School of Medicine（维克森林大学医学院）

作者：Sina Gholami, Abdulmoneam Ali, Tania Haghighi, Rashadul H. Badhon, Behafarin Emam, Sally S. Y. Ong, Atalie C. Thompson, Theodore Leng, Ahmed Arafa, Jennifer I. Lim, Minhaj Nur Alam

72. Privacy Preserving Gossip Learning

隐私保护八卦学习

AI 总结：提出一种去中心化隐私保护学习算法，基于无遗忘调参和私有推-求和八卦协议，实现样本顺序学习中的隐私保护与几何收敛。

链接：https://arxiv.org/abs/2609.14778

机构：University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）

作者：Erkan Bayram, Mohamed-Ali Belabbas, Tamer Başar

73. End-to-End Verifiable and Robust Federated Learning

端到端可验证且鲁棒的联邦学习

AI 总结：本研究提出一种结合密码学承诺与零知识证明的联邦学习协议，实现鲁棒异常值排除与公开可验证聚合，在中毒攻击下精度损失低于4%。

链接：https://arxiv.org/abs/2609.15521

机构：AIT Austrian Institute of Technology（AIT奥地利技术研究所）； University of Murcia（穆尔西亚大学）

作者：Doryan Lesaignoux, Enrique Mármol Campos, Gabriele Spini, José L. Hernández-Ramos, Stephan Krenn

74. Privacy-enhanced federated learning via asynchronous aggregation and local differential perturbation

隐私增强的联邦学习：通过异步聚合与本地差分扰动

AI 总结：提出一种集成动态差分隐私、轻量级同态加密和本地差分隐私的联邦学习框架，采用异步聚合策略，在严格隐私约束下保持高精度并降低通信开销。

链接：https://arxiv.org/abs/2609.15885

作者：Zhen Zhong (1), Shini Yang (2), Liesheng Wei (3) ((1) Georgetown University, Washington, D.C., USA, (2) LinkedIn, CA, USA, (3) Shanghai Ocean University, Shanghai, China)

75. Privacy-Aligned Personalized Federated Learning with Compact Adaptation and Variable-Length Gaussian Communication

隐私对齐的个性化联邦学习：紧凑适配与变长高斯通信

AI 总结：针对个性化联邦学习中低维客户端变化与高维更新释放的结构错位，提出一次性释放私有上下文并限制适配于系数空间，结合变长量化实现高斯机制，在MNIST和CIFAR-10上匹配或超越全模型私有适配，并大幅降低通信成本。

链接：https://arxiv.org/abs/2609.15950

机构：City University of Hong Kong（香港城市大学）； University of British Columbia（不列颠哥伦比亚大学）； Hebrew University of Jerusalem（耶路撒冷希伯来大学）

作者：Yilin Xu, Chun Hei Michael Shiu, Chih Wei Ling, Linqi Song

8. 鲁棒性、不确定性与可信学习 | 12 篇

76. A Three-Axis Stress Test of LLM vs Classical ML for Network Intrusion Detection under Distribution Shift and Adversarial Evasion

大语言模型与经典机器学习在分布偏移和对抗性规避下网络入侵检测的三轴压力测试

AI 总结：本研究通过同数据集、跨数据集和对抗性规避三轴测试，发现XGBoost与RoBERTa-LoRA在网络入侵检测中各有胜负，强调需多轴多指标评估模型。

链接：https://arxiv.org/abs/2609.13511

作者：Muhammad Ebad Atif, Muhammad Haider Ali

77. Operational Range Bounding in Spectroscopy: A Safety Cage Framework for Machine Learning Models

光谱学中的运行范围界定：机器学习模型的安全笼框架

AI 总结：本研究提出一种安全笼框架，通过融合不确定性、域外检测和影响函数等指标，约束机器学习模型在光谱分析中的运行范围，在仅减少20%数据覆盖率下将误差降低45%-65%。

链接：https://arxiv.org/abs/2609.13514

机构：ML Analytics； Delft University of Technology（代尔夫特理工大学）； European Space Agency (ESA)（欧洲航天局）

作者：Nikki Grens, Luís F. Simões, Kai Hou Yip, Theresa Lueftinger

78. Online Bayesian Node Classification on Inductive Graphs under Distribution Shift

分布偏移下归纳图的在线贝叶斯节点分类

AI 总结：针对演化图分布偏移下的节点分类，提出在线变分贝叶斯最后一层（GVBLL）方法，联合训练编码器与近似后验，测试时在线更新，在五个基准上均取得最佳准确率与负对数似然。

链接：https://arxiv.org/abs/2609.13655

机构：University of Georgia（佐治亚大学）； University of Rochester（罗切斯特大学）

作者：Jinwen Xu, Gonzalo Mateos Buckstein, Qin Lu

79. An Uncertainty-Aware Hybrid Mathematical-Machine-Learning Model for Smart Irrigation Decision Support

一种面向智能灌溉决策支持的不确定性感知混合数学-机器学习模型

AI 总结：本研究提出一种耦合水量平衡与随机森林的混合模型，通过共形预测量化不确定性并驱动风险感知灌溉决策，在24小时预测时域显著优于基线，证明不确定性量化是预测驱动灌溉可信度的关键。

链接：https://arxiv.org/abs/2609.13864

作者：Andrea Scariolo

80. EdgeHAR: An Edge-Native Compact Sensor Foundation Model for Human Activity Recognition

EdgeHAR：面向人类活动识别的边缘原生紧凑型传感器基础模型

AI 总结：EdgeHAR提出一种边缘原生紧凑传感器基础模型，通过解耦传感器信号为活动语义、运动动态和采集上下文三个编码，实现高效适应新用户和设备，在满足边缘约束下保持识别性能并降低部署成本。

链接：https://arxiv.org/abs/2609.14498

机构：Northwestern Polytechnical University（西北工业大学）； RPTU University Kaiserslautern-Landau（凯泽斯劳滕-兰道工业大学）

作者：He Zhang, Siyu Yuan, Siyu Liu, Sizhen Bian, Bin Guo

81. Should All Noises Be Treated Equally: Impact of Input Noise Variability on Neural Network Robustness

是否所有噪声都应同等对待：输入噪声变异性对神经网络鲁棒性的影响

AI 总结：本研究通过模拟随钻地震数据，系统评估噪声类型、尺度及复合噪声对神经网络在初至拾取和去噪任务中鲁棒性的影响，发现大尺度噪声和复合噪声训练可提升泛化能力。

链接：https://arxiv.org/abs/2609.14504

机构：King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）； Aramco Upstream Research Center at KAUST（沙特阿美上游研究中心（KAUST））； EXPEC Advanced Research Center, Aramco（沙特阿美EXPEC高级研究中心）

作者：Salma Alsinan, Maksim Makarenko, Sixiu Liu, Ali Aldawood, Ibrahim Hoteit

82. Know When to Stop, Where to Restart: Accelerating Multi-Turn Agentic On-Policy Distillation

知道何时停止、何处重启：加速多轮智能体在线策略蒸馏

AI 总结：针对多轮智能体在线策略蒸馏成本高的问题，提出STRIDE方法，利用自适应早停和前缀缓冲区加速训练，在保持性能的同时实现数倍加速。

链接：https://arxiv.org/abs/2609.14636

机构：University of Science and Technology of China（中国科学技术大学）； Ant Group（蚂蚁集团）

作者：Zhiyu Gui, Kexin Huang, Jia Guo, Junkang Wu, Zihao Wang, Zhiqiang Zhang, Jun Zhou, Jiancan Wu, Xiang Wang

83. Decision-Oriented Uncertainty Quantification for Risk Control in Earth System Spatiotemporal Foundation Models

面向地球系统时空基础模型风险控制的决策导向不确定性量化

AI 总结：提出决策导向不确定性量化框架，将地球系统时空基础模型的预测不确定性转化为行动条件风险，经效用感知校准后选择行动，显著降低决策遗憾与漏报率并提升期望效用。

链接：https://arxiv.org/abs/2609.14821

机构：Vanderbilt University（范德堡大学）； City University of New York（纽约城市大学）； Yale University（耶鲁大学）； Wyze Inc.（Wyze公司）； Northeastern University（东北大学）； University of Southern California（南加州大学）； Southwest University（西南大学）

作者：Ji Lu, Huiran Duan, Bo Zhao, Xianglong Wang, Yiru Fang, Kuo Yang, Xiaoqin Feng, Jianping Gou

84. SeqMaestro: From nucleotide sequences to biological hypotheses through interpretable machine learning

SeqMaestro：通过可解释机器学习从核苷酸序列到生物学假设

AI 总结：SeqMaestro是一个无代码机器学习框架，通过两层接口连接核苷酸序列与可解释模型，利用多种模型组合识别稳健生物学信号，从而从序列数据提出生物学假设。

链接：https://arxiv.org/abs/2609.14882

机构：University of Cambridge（剑桥大学）； The Francis Crick Institute（弗朗西斯·克里克研究所）； University of Colorado Anschutz Medical Campus（科罗拉多大学安舒茨医学校区）

作者：Evgeny S. Saveliev, Krzysztof Kacprzyk, Charlotte Capitanchik, Neelanjan Mukherjee, Kate Matlin, Ryan Sheridan, Srinivas Ramachandran, Jernej Ule, David L. Bentley, Mihaela van der Schaar

85. Not All Prompts Are Equal: Exploration-Guided Prompt Scaffolding for Multimodal Reinforcement Post-Training

并非所有提示都同等重要：面向多模态强化后训练的探索引导提示脚手架

AI 总结：针对多模态强化后训练中提示信息量不均的问题，提出探索引导的提示脚手架框架，利用探索潜力分数动态调整提示分布，并通过教师模型重写低效用提示，在多个基准上显著提升性能。

链接：https://arxiv.org/abs/2609.15051

机构：Alibaba Cloud Computing（阿里云计算）； Shanghai Jiao Tong University（上海交通大学）； Fudan University（复旦大学）

作者：Yuanhao Yue, Qianli Ma, Chengyu Wang, Haoting Wang, Lei Shen, Jun Huang

86. Same path, different: a mechanistic comparison of looped and stacked transformer encoders on 12-lead ECG

相同路径，不同机制：循环与堆叠Transformer编码器在12导联心电图上的机理比较

AI 总结：本研究以bViT为例，对比循环与堆叠Transformer在12导联ECG分类中的表征与动态差异，发现两者表征相似但动态不同，循环架构参数效率高且行为更稳健。

链接：https://arxiv.org/abs/2609.15498

机构：Samsung AI Center（三星人工智能中心）； IFTR, Polish Academy of Sciences（波兰科学院基础技术研究所）

作者：Pawel Olszowiec, Michal Byra, Grzegorz Gruszczynski, Grzegorz Stefanski, Alberto Presta

87. Per-Matrix Optimality Is Not Enough: Three-Level Optimization for Low-Rank LLM Compression

逐矩阵最优性不足：低秩大语言模型压缩的三级优化

AI 总结：针对低秩LLM压缩，提出从矩阵到块再到模型的三级优化链，在LLaMA-7B上显著降低困惑度，块级阶段起正则化作用，但下游准确率仍不及稠密模型。

链接：https://arxiv.org/abs/2609.15838

机构：Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））； QudeLeap Research（QudeLeap研究院）

作者：Huicheng Zhang, Xiyao Feng, Ze-Tong Li, Chengkai Zhu, Xiao Shi, Xiwei Pan, Jinguo Liu, Ge Bai, Xin Wang

9. 图学习与结构化数据 | 8 篇

88. Graph Neural Networks for Influence Maximization in Social Networks: An Unsupervised Minimum Dominating Set Approach

图神经网络用于社交网络中的影响力最大化：一种无监督最小支配集方法

AI 总结：本文提出无监督图神经网络框架求解最小支配集问题，无需真实标签训练，在合成图训练后推理速度比元启发式快55倍，比监督学习快14倍，并能泛化到真实社交网络。

链接：https://arxiv.org/abs/2609.13836

机构：Tehran Institute for Advanced Studies (TeIAS)（德黑兰高等研究院）； University of Tehran（德黑兰大学）

作者：Erfan Ahmadi, Mina Shirazi, Behnam Bahrak

89. Pre-training with Graph Transformers

使用图变换器进行预训练

AI 总结：本文通过实验探究生物化学领域图变换器的预训练策略，发现基于计算属性的监督预训练效果最佳，并强调限制模型容量以防过拟合。

链接：https://arxiv.org/abs/2609.13844

机构：National University of Singapore（新加坡国立大学）； Loyola Marymount University（洛约拉马利蒙特大学）

作者：Jiaming Wang, Thomas Laurent, Xavier Bresson

90. Machine Learning in Fish Farming

机器学习在水产养殖中的应用

AI 总结：本章综述机器学习在水产养殖中的应用，涵盖随机森林、CNN、RNN及GNN、LLM等新兴技术，用于生物量估算、物种识别、行为分析和环境预测，并与物联网协同实现实时监控，以提升养殖效率与可持续性。

链接：https://arxiv.org/abs/2609.13919

机构：IBM Research Europe（IBM欧洲研究院）； Hellenic Centre for Marine Research（希腊海洋研究中心）； Innovasea Marine Systems Canada（Innovasea加拿大海洋系统公司）； Imperial College London（伦敦帝国理工学院）； University of the Aegean（爱琴大学）； Dalhousie University（达尔豪斯大学）； RS Aqua（RS Aqua公司）； Scottish Sea Farms（苏格兰海产养殖公司）； DeepSense

作者：Fearghal O'Donncha, Nikos Papandroulakis, Jennie Korus, Abigail Langbridge, Alexander Timms, Konstantinos Topouzelis, Abdul Baseer Khan, Shree Rama Kamal Kumar Vegu, Mahtab Sarvmaili, Ryan Mowat, Rhanna Turberville, Tyler Sclodnick, Christopher Whidden

91. Finite-Time Node Separation in Recurrent Graph Neural Networks with Persistent Gaussian Perturbations

具有持久高斯扰动的递归图神经网络中的有限时间节点分离

AI 总结：针对递归图神经网络在持久高斯扰动下的节点表示，提出有限时间分离分析，证明二阶矩下界及非中心卡方特征，补充渐近能量分析，提供严格的有限时间保证。

链接：https://arxiv.org/abs/2609.13920

机构：Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工大学））

作者：Mostafa Haghir Chehreghani

92. Graph-Transformer Fraud Detection with Self-Supervised Pretraining and Conformal Risk Control

图变换器欺诈检测：自监督预训练与保形风险控制

AI 总结：针对企业交易网络中的协调欺诈，提出图变换器检测器GTFD，融合结构与时序证据，结合自监督预训练和保形风险控制，显著提升检测性能与鲁棒性。

链接：https://arxiv.org/abs/2609.14234

作者：Sergei, Komarov

93. Biquaternionic Space with Complex-valued Attention for Temporal Knowledge Graph Completion

双四元数空间与复值注意力用于时序知识图谱补全

AI 总结：提出BSCA模型，在双四元数空间中结合圆与双曲旋转，用复值注意力动态融合实体表示，在GDELT等基准上显著提升时序知识图谱补全性能。

链接：https://arxiv.org/abs/2609.14279

机构：University of Chinese Academy of Sciences（中国科学院大学）

作者：Rushan Geng, Cuicui Luo

94. LiftGCN: Efficient Energy-Preserving Graph Learning via Joukowski Spectral Lifting for Finite Element Stress Prediction

LiftGCN：基于Joukowski谱提升的高效能量保持图学习用于有限元应力预测

AI 总结：针对有限元应力预测中高频信息衰减问题，提出基于Joukowski谱提升的LiftGCN，以二阶递推实现能量保持传播，降低复杂度至O(ed)，在保持精度的同时改善应力集中重建。

链接：https://arxiv.org/abs/2609.14977

机构：Southeast University（东南大学）

作者：Chen Zeng, Qiao Wang

95. ProtoGuide: Prototype-Driven Guidance for Class-Conditional Graph Generation

ProtoGuide：类条件图生成的原型驱动引导

AI 总结：ProtoGuide提出一种事后、与骨干无关的框架，通过原型评分和梯度注入实现离散图扩散模型的类条件引导，在多个数据集上显著提升分类准确率。

链接：https://arxiv.org/abs/2609.15239

机构：University of Catania（卡塔尼亚大学）； University of Cambridge（剑桥大学）； University Campus Bio-Medico of Rome（罗马生物医学自由大学）

作者：Salvatore Romano, Marco Grassia, Pietro Liò, Giuseppe Mangioni

10. 迁移、元学习与持续学习 | 8 篇

96. Adaptive Phase-Switching for Communication-Efficient Federated LoRA Fine-Tuning

自适应相位切换用于通信高效的联邦LoRA微调

AI 总结：针对联邦LoRA微调通信开销大的问题，提出自适应相位切换聚合器ReverseAdaptive，通过监测损失相对改善定位前沿拐点，在TinyLlama上实现40.5%通信节省且质量损失极小，阈值可跨规模迁移。

链接：https://arxiv.org/abs/2609.13512

作者：Jerry Adams Franklin

97. An Efficient and Modular Framework for Targeted Harm Mitigation in LLMS

一种用于LLMS中定向危害缓解的高效模块化框架

AI 总结：提出aLoRA适配器与上下文感知路由的模块化框架，在生成中定向消除LLM的有害输出，提升安全性且保持任务性能。

链接：https://arxiv.org/abs/2609.13624

机构：University of California, Santa Cruz（加州大学圣克鲁兹分校）； IBM Research（IBM研究院）

作者：Roberto Campbell, Momin Abbass, Muneeza Azmat, Michal Ulewicz, Raya Horesh, Kristjan Greenewald, Rogério Abreu de Paula, Nathalie Baracaldo

98. Data-Efficient Agentic Graph Domain Adaptation via Reliability-Aware Prototype Learning

数据高效的智能体图域自适应：基于可靠性感知的原型学习

AI 总结：针对数据高效智能体图域自适应中源语义不可靠的问题，提出DEAG可靠性感知原型学习框架，通过可靠锚点与置信度对齐提升跨域适应性能。

链接：https://arxiv.org/abs/2609.14045

机构：Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）； Zhengzhou University（郑州大学）； City University of Hong Kong（香港城市大学）

作者：Yingxu Wang, Kunyu Zhang, Siyang Gao

99. Communication-Efficient LLM Adaptation over Decentralized GPU Meshes

面向去中心化GPU网格的通信高效LLM适配

AI 总结：针对去中心化GPU网格上的LLM预训练后适配，提出异步双回路系统与频谱校正优化器，利用锚定掩码压缩实现高达40倍以上吞吐量提升，且性能不损失。

链接：https://arxiv.org/abs/2609.14339

机构：Pluralis Research

作者：Sameera Ramasinghe, Shamane Siriwardhana, Thalaiyasingam Ajanthan, Hadi Mohaghegh Dolatabadi, Chamin P Hewa Koneputugodage, Gil Avraham, Violetta Shevchenko, James Snewin, Karol Pajak, Harry Xi, Alexander Long

100. Multi-source Transfer Learning of Time Series with a Shapelet-based Distance Measure

基于Shapelet距离度量的时间序列多源迁移学习

AI 总结：本文提出一种无需训练的Shapelet Matching源选择方法，通过shapelet相似度选择多个源数据集进行多源预训练，在UCR 128个数据集上降低了负迁移风险，并在CNN和Transformer架构上表现优异。

链接：https://arxiv.org/abs/2609.15148

机构：Kyushu University（九州大学）

作者：Jiseok Lee, Brian Kenji Iwana

101. Sylvas: Synergistic Learning Value based Device Scheduling in Federated Continual Learning

Sylvas：联邦持续学习中基于协同学习价值的设备调度

AI 总结：本文提出Sylvas框架，通过协同学习价值指标评估设备数据分布与标签价值，在资源约束下调度高价值设备，实现联邦持续学习中的及时模型更新与未标记数据利用。

链接：https://arxiv.org/abs/2609.15763

机构： Beijing Jiaotong University（北京交通大学）； Tsinghua University（清华大学）； Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）

作者：Yuxuan Sun, Yuxuan Bai, Tan Chen, Sheng Zhou, Zhisheng Niu

102. Transfer Learning for Socioeconomic Estimation in Forced-Displacement Settings

强制流离失所情境下社会经济估计的迁移学习

AI 总结：本研究将预训练的多模态时空视觉变换器迁移至南苏丹、喀麦隆和赞比亚的流离失所情境，利用卫星数据估计社会经济状况，填补调查间隙，支持人道主义决策。

链接：https://arxiv.org/abs/2609.15773

机构：The United Nations High Commissioner for Refugees（联合国难民署）； Chalmers University（查尔姆斯理工大学）； The World Bank（世界银行）

作者：Steven Ndung'u, Adel Daoud, Ismael Yacoubou Djima, Hai-Anh H. Dang, Patrick Michael Brock

103. LLM-Based Schema-Aware Split Learning for Privacy-Preserving Mental Distress Prediction Across Heterogeneous Surveys

基于LLM的架构感知分裂学习用于跨异构调查的隐私保护心理困扰预测

AI 总结：提出一种基于LLM的架构感知分裂学习框架，通过语义编码统一异构调查数据，在保护隐私的同时实现高效协作学习，显著提升准确率并降低客户端计算开销。

链接：https://arxiv.org/abs/2609.15871

机构：Southern Illinois University Carbondale（南伊利诺伊大学卡本代尔分校）

作者：Md Khalid Syfullah, Alvi Ataur Khalil

11. 数据集、基准与评测 | 10 篇

104. Land Art as a Big-Data Climate Sensor

作为大数据气候传感器的地景艺术

AI 总结：该研究将史密森地景艺术《螺旋码头》的卫星影像作为大数据气候传感器，通过复杂度特征分析揭示影像复杂度领先湖泊水位约三年，并发现AI特征可无监督追踪CO2与湖泊变化。

链接：https://arxiv.org/abs/2609.13182

机构：Işık University（伊什克大学）； Toronto Metropolitan University（多伦多都会大学）； York University（约克大学）； Dr. Robot Inc.（Dr. Robot 公司）

作者：Alev Cinbarci, Sean Kalaycioglu

105. Criticality in Dissimilar Decomposition and Undersampling of Random Datasets with Anomalies

不同分解与含异常随机数据集欠采样的临界性

AI 总结：本文研究含异常随机数据集的强不同分解与欠采样临界性，证明相变现象并给出规模界限，为LLM训练数据分解提供理论指导。

链接：https://arxiv.org/abs/2609.13201

机构：University of Bristol（布里斯托大学）

作者：Ghurumuruhan Ganesan

106. JumpStart Your Policy Learning with Lessons from 160,000 Training Runs

利用16万次训练运行的经验快速启动策略学习

AI 总结：本研究通过大规模实证（160,000+策略、114数据集）揭示离线策略学习中算法排名对超参数和基准的敏感性，并提出数据集条件推荐器及JumpStart资源套件以提升研究可靠性。

链接：https://arxiv.org/abs/2609.13730

机构：University of Washington（华盛顿大学）； Microsoft（微软）

作者：Nabil Omi, Eric Bae, Chung Yik Edward Yeung, Siddhartha Sen, Ali Farhadi

107. Benchmarking Optimizers to Solve Inverse Problems with Differentiable Physics Simulators

基准测试优化器以求解可微分物理模拟器的逆问题

AI 总结：本文构建12个可微分物理模拟器及相应逆问题，基准测试多种优化器性能，为可微分编程中优化器的选择与设计提供指导。

链接：https://arxiv.org/abs/2609.13819

机构：Zhongguancun Academy（中关村学院）； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院）

作者：Xiang Chen, Huanhuan Xia

108. Accuracy Is Not Service: A Decision-Aware Benchmark for Intermittent-Demand Forecasting

准确性并非服务：面向间歇性需求预测的决策感知基准

AI 总结：针对间歇性需求预测，提出决策感知基准，发现预测准确性与订单服务负相关，偏差方向是关键，并给出无需训练的修正方法提升服务率。

链接：https://arxiv.org/abs/2609.13840

机构：Singapore Management University（新加坡管理大学）； ST Logistics Pte. Ltd.（ST物流私人有限公司）

作者：Joo Ern Chin, Shih-Fen Cheng, Aldy Gunawan

109. Towards Identifying the Dataset Biases Causing Phantom Transfer

识别导致幻影迁移的数据集偏差

AI 总结：本研究提出基于Sentence BERT嵌入的签名方法，用于识别导致幻影迁移的数据集偏差主题，在教师模型已知和未知时分别达到0.83和0.46的马修斯相关系数。

链接：https://arxiv.org/abs/2609.14449

机构：University of Cambridge（剑桥大学）

作者：Jonas Jürß, Pietro Liò

110. Beyond Numerical Time Series: A Unified Benchmark for Multimodal Forecasting with Heterogeneous Context

超越数值时间序列：面向异构上下文的多模态预测统一基准

AI 总结：针对现有时间序列基准缺乏上下文评估的问题，提出多模态预测统一基准MUSE-Bench，涵盖多领域多类型上下文，系统评估多种预测范式，发现数值基础模型领先、外部上下文有益而错位有害、通用大模型直接预测不佳。

链接：https://arxiv.org/abs/2609.15087

机构：Ant International（蚂蚁国际）

作者：Peng Chen, Zhihao Zhuang, Hongzhou Chen, Junhao Huang, Aiping Yang, Mengsen Wu, Yiding Liu, Xilin Dai, Zewei Dong

111. BioDCASE: Active Learning for Bioacoustics

BioDCASE：生物声学主动学习

AI 总结：针对被动声学监测中标注成本高的问题，本文提出BioDCASE挑战赛，系统评估多种主动学习采样方法，发现结合多样性与不确定性信号并减少批次冗余可显著提升性能，最高比随机采样高67.1%。

链接：https://arxiv.org/abs/2609.15255

机构：University of Amsterdam（阿姆斯特丹大学）； Massachusetts Institute of Technology（麻省理工学院）； Tampere University（坦佩雷大学）； Earth Species Project（地球物种项目）； Kassel University（卡塞尔大学）

作者：Ben McEwen, Rupa Kurinchi-Vendhan, Shiqi Zhang, Lukas Rauch, Marek Herde, Sara Beery

112. FedLTLib: A Comprehensive Benchmark for Federated Long-Tail Learning

FedLTLib：联邦长尾学习的综合基准

AI 总结：针对联邦学习中长尾分布导致尾部类别性能下降的问题，提出综合基准FedLTLib，整合多样数据集和13种算法，实现公平可复现的评估，推动移动计算稳健智能部署。

链接：https://arxiv.org/abs/2609.15625

机构：Guangzhou University（广州大学）

作者：Changkun Lin, Junxiao Wang

113. MoveBench: A Benchmark for Global-Scale Wildlife Movement Forecasting

MoveBench：全球尺度野生动物移动预测基准

AI 总结：MoveBench是首个大规模野生动物移动预测基准，含260万GPS点和16亿环境瓦片，提出概率评估协议，发现现有方法对时间泛化优于个体泛化，深度学习不总优于基线，协变量选择影响性能。

链接：https://arxiv.org/abs/2609.15780

机构：MIT（麻省理工学院）； University of Wyoming（怀俄明大学）； Marburg University（马尔堡大学）； Fondazione Edmund Mach（埃德蒙·马赫基金会）； UCSB（加州大学圣巴巴拉分校）； Queensland University of Technology（昆士兰理工大学）； Scripps Institution of Oceanography, UCSD（加州大学圣迭戈分校斯克里普斯海洋研究所）； Colorado State University（科罗拉多州立大学）； Smithsonian NCBI（史密森尼国家自然历史博物馆）； Yale（耶鲁大学）； Harvard（哈佛大学）； University of St. Andrews（圣安德鲁斯大学）； UNIS（斯瓦尔巴大学中心）； Giraffe Conservation Foundation（长颈鹿保护基金会）； NTU Singapore（新加坡南洋理工大学）； Max Planck Institute of Animal Behavior（马克斯·普朗克动物行为研究所）； UC Berkeley（加州大学伯克利分校）； Senckenberg Biodiversity and Climate Research Centre（森肯伯格生物多样性与气候研究中心）； NCSU（北卡罗来纳州立大学）； NC Museum of Natural Sciences（北卡罗来纳自然科学博物馆）

作者：Justin Kay, Shir Bar, Ellen O. Aikens, Martin Becker, Francesca Cagnacci, Juliet Cohen, Scott W. Forrest, Jessica Kendall-Bar, Madeleine Lucas, Macon Overcast, Meredith S. Palmer, Will Rogers, Nicholas J. Russo, Christian Rutz, Larissa T. Beumer, Michael Brown, Ying-Chi Chan, Sarah C. Davidson, Diego Ellis Soto, Anne G. Hertel, Roland Kays, Benjamin Koger, Guram Mikaberidze, Thomas Mueller, Ruth Oliver, Thorsten Papenbrock, Robert Patchett, Jared A. Stabach, Dane Taylor, Scott W. Yanco, Sara Beery

12. 机器学习应用 | 13 篇

114. A derivative-fidelity failure mode in physics-informed neural networks: strengthened benchmark evidence from function-value training

物理信息神经网络中的导数保真失效模式：来自函数值训练的强化基准证据

AI 总结：本文提出物理信息神经网络存在导数保真失效模式，通过仅训练函数值的基准实验证明，视觉上准确的函数逼近可能伴随显著更大的二阶导数误差，并提供诊断协议以区分数值精度与物理残差可靠性。

链接：https://arxiv.org/abs/2609.13171

作者：Koji Koyamada

115. GradRepair-ODE: Certified Gradient Repair for Neural ODE Training

GradRepair-ODE：神经ODE训练的可认证梯度修复

AI 总结：针对神经ODE训练中数值求解器导致梯度不可靠的问题，提出GradRepair-ODE框架，通过检查、修复和拒绝机制认证梯度，在合成系统中将不安全步骤降至零。

链接：https://arxiv.org/abs/2609.13204

机构：Purdue University（普渡大学）； Rice University（莱斯大学）

作者：Ziqian Bi, Xin Liang Chia

116. PPDL: A Real-world Industrial User Retention Ratio Forecasting Framework Integrating Physical Priors with Deep Learning

PPDL：一种融合物理先验与深度学习的工业级用户留存率预测框架

AI 总结：针对多渠道用户获取中留存率预测的渠道异质性、衰减饱和趋势和短回看窗口挑战，提出融合Weibull物理先验与深度学习的PPDL框架，通过趋势残差分解、渠道嵌入和多尺度趋势惩罚损失，在工业数据上显著优于现有方案。

链接：https://arxiv.org/abs/2609.13789

机构：Zhejiang Normal University（浙江师范大学）； Douyin Group（抖音集团）； Shanghai Jiao Tong University（上海交通大学）

作者：Zibo Zhao, Zhengxiong Guan, Chaoli Zhang, Linyuan Geng, Xuanbing Zhu, Zhonglong Zheng, Fan Wu

117. Tabby: An Open Pretraining Recipe for Time Series Foundation Models

Tabby：时间序列基础模型的开放预训练配方

AI 总结：Tabby是一个长上下文时间序列基础模型，采用仅编码器补丁Transformer架构，结合真实与合成数据预训练，支持预测、分类和异常检测，在多个基准上表现优异。

链接：https://arxiv.org/abs/2609.13956

机构：LIPADE, Université Paris Cité（巴黎西岱大学LIPADE实验室）； École Polytechnique（巴黎综合理工学院）； Centre de Recherche en Informatique, Mines Paris, PSL University（巴黎高等矿业学院计算机研究中心，巴黎文理研究大学）； IRISA, Université Rennes 2, Inria（雷恩第二大学IRISA实验室，法国国家信息与自动化研究所）

作者：Shifeng Xie, Bahaeddine Abdessalem, Zehao Xiao, Youssef Attia El Hili, Ambroise Odonnat, Zhiwei Dong, Lei Zan, Themis Palpanas, Jianfeng Zhang, Lujia Pan, Keli Zhang, Malik Tiomoko

118. An immune world model for multiscale forecasting and therapeutic hypothesis generation

免疫世界模型：用于多尺度预测与治疗假设生成

AI 总结：本文提出免疫世界模型，一种多尺度动作条件模型，通过进化AI科学家构建，用于预测免疫干预效果并生成可测试的治疗假设，如IL-36γ加SIRPα抑制。

链接：https://arxiv.org/abs/2609.14709

机构：PhAI Labs, Inc.（PhAI实验室公司）； The Chinese University of Hong Kong（香港中文大学）； New York University（纽约大学）； Stanford University School of Medicine（斯坦福大学医学院）； Shanghai Jiao Tong University（上海交通大学）； Stanford University（斯坦福大学）； Harvard University（哈佛大学）； Princeton University（普林斯顿大学）

作者：Taoyong Cui, Xi Wang, Zonghang Li, Jinchao Ding, Lingsen You, Yuzhi Xu, Wanghan Xu, Fang Wu, Kejun Ying, Wanli Ouyang, Pheng Ann Heng, Ling Yang, Zhenfei Yin, Yingcheng Wu

119. Are Gradient Boosting Models Suitable for Intermittent Demand Forecasting?

梯度提升模型是否适用于间歇性需求预测？

AI 总结：本文研究梯度提升模型在间歇性需求预测中的适用性，发现其单独表现不佳，但与专用方法结合可提升预测准确率最多10%，凸显了集成学习的价值。

链接：https://arxiv.org/abs/2609.14718

机构：Gisma University of Applied Sciences（吉斯马应用科学大学）

作者：Vladislav Kislinskii, Mazhar Hameed

120. WaVeFuse: Regime-Adaptive Equity Index Forecasting via Channel-Wise Wavelet Denoising and Vertical Attention Fusion

WaVeFuse：通过通道级小波去噪与垂直注意力融合的自适应机制股指预测

AI 总结：WaVeFuse提出双分支架构，结合小波去噪、通道级CWT与垂直注意力融合，实现自适应股指预测，在多个市场取得高精度和稳健性。

链接：https://arxiv.org/abs/2609.14733

机构：Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）

作者：Aashish Bohra, Vivek Vijay

121. Tackling Failure Modes of PINNs and PIKANs Using Conflict-Free Gradients

解决PINN和PIKAN的失败模式：使用无冲突梯度

AI 总结：本研究提出Norm-PCGrad梯度手术方法，解决PINN和PIKAN在域分解中的冲突梯度问题，实现最低相对L2误差，并引入SPINN降低计算成本，验证了方法的通用性。

链接：https://arxiv.org/abs/2609.14841

机构：Worcester Polytechnic Institute（伍斯特理工学院）； Sandia National Laboratories（桑迪亚国家实验室）

作者：Sidharth S. Menon, Irina Tezaur, Ameya D. Jagtap

122. Ensemble Complexity in Photovoltaic Forecasting

光伏预测中的集成复杂度

AI 总结：本研究通过匹配比较和消融实验评估光伏预测中集成组件的贡献，发现静态融合可降低误差但收益有限，天气门控无增量优势，并强调组件级评估与测试集重用限制的重要性。

链接：https://arxiv.org/abs/2609.15049

机构：Huaibei Normal University（淮北师范大学）

作者：Sun Ze, Zhou Liguo, Xu Yuqing, Yu Lei, Jiang Mingming

123. Ensemble-Conditioned Molecular Design

集成条件分子设计

AI 总结：本文提出集成条件引导框架，通过同时优化构象集成模式与性质，实现多条件3D分子生成，在双靶点结合剂和活性状态选择性激动剂设计中优于单状态条件化。

链接：https://arxiv.org/abs/2609.15077

作者：Ross Irwin, Alessandro Tibo, Jon Paul Janet, Simon Olsson

124. Rethinking Correctness for Uncertainty Estimation in Clinical Prediction with Vision-Language Models

重新思考临床预测中视觉-语言模型不确定性估计的正确性

AI 总结：本研究提出两轴框架评估临床预测中视觉-语言模型不确定性估计的正确性标准，发现精确匹配最优，且标准选择显著影响UE评估结果。

链接：https://arxiv.org/abs/2609.15180

机构：University of Oxford（牛津大学）

作者：Mingcheng Zhu, Jinning Liang, Tingting Zhu

125. GSLAD: Prototype-Regularized Graph Structure Learning for Multivariate Time Series Anomaly Detection

GSLAD：用于多元时间序列异常检测的原型正则化图结构学习

AI 总结：GSLAD通过原型正则化图结构学习，利用结构偏差进行异常评分，在工业基准上验证了其有效性和诊断能力。

链接：https://arxiv.org/abs/2609.15483

机构：École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）

作者：Zepeng Zhang, Fuad Khuri, Keivan Faghih Niresi, Olga Fink

126. Where to Compute and How to Interact: Operator-Readable Adaptation with Gauge-Aware Transport

在哪里计算以及如何交互：具有规范感知传输的算子可读自适应

AI 总结：针对自适应网格神经算子忽视交互的问题，提出规范感知自适应网格神经算子（GA-AMNO），通过物理信息分配和几何条件化低秩规范传输实现可读的自适应，在五个PDE基准上提升精度并验证交互作用。

链接：https://arxiv.org/abs/2609.15620

机构：Central South University（中南大学）； Nanjing University（南京大学）

作者：Zixuan Shen, Quanxu Wan, Bingchuan Wang, Zhi Wang, Biao Luo

13. 其他/综合机器学习 | 64 篇

127. BudgetBench: A Budget-Tiered Protocol and Pilot Harness for Memory Strategy Evaluation in Local Large Language Model Agents

BudgetBench：面向本地大语言模型智能体记忆策略评估的预算分层协议与试点测试框架

AI 总结：BudgetBench提出预算分层协议与测试框架，通过扫描多档令牌预算评估本地大语言模型智能体记忆策略，揭示预算违规与质量非单调性，为固定预算评估提供可复用测量表面。

链接：https://arxiv.org/abs/2609.13149

作者：Aditya Karnam Gururaj Rao, Arjun Jaggi

128. Evaluating LLM-Generated Rules for Heart Disease Prediction

评估大语言模型生成的规则用于心脏病预测

AI 总结：本研究利用UCI心脏病数据集，对比传统机器学习与LLM生成规则系统，发现传统模型性能更优（随机森林准确率90.2%），但LLM规则提供可解释的IF-THEN逻辑，凸显了预测性能与可解释性之间的权衡。

链接：https://arxiv.org/abs/2609.13192

机构：SRM Institute of Science and Technology（SRM科学技术学院）； Amity University Dubai（阿米提大学迪拜分校）； University of Sharjah（沙迦大学）

作者：Feisal Alaswad, Batoul Aljaddouh, Maher Alrahhal, Wafaa Al Nassan, Talal Bonn

129. SPICE: Simple Polysemantic Feature Interpretation via Clustering-based Explanation

SPICE：基于聚类的简单多义特征解释

AI 总结：针对神经网络多义性解释的架构依赖和人工预设簇数问题，提出通用框架SPICE，自动确定簇数，首次系统比较CNN与Transformer中的多义性，并揭示其形成机制。

链接：https://arxiv.org/abs/2609.13198

机构：Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））； INEEJI

作者：Sehyun Lee, Dahee Kwon, Damin Lee, Jaesik Choi

130. Do Tabular Foundation Models Still Need Feature Engineering?

表格基础模型仍然需要特征工程吗？

AI 总结：本研究通过受控实验发现，随着表格基础模型能力增强，特征工程带来的性能提升逐渐消失，而补充相关数据集上下文仍能改善性能，表明性能增益来源已从输入重表示转向任务相关上下文。

链接：https://arxiv.org/abs/2609.13202

作者：Yifan WU, Pinjun Dong, Jiran Tao, Binyan Jiang

131. Scalable partial information decomposition for symptom networks via supervised embeddings

基于监督嵌入的症状网络可扩展部分信息分解

AI 总结：提出ePID，通过监督嵌入压缩症状网络实现可扩展部分信息分解，在PHQ-9和IRI数据上揭示冗余与协同贡献的差异，为症状网络分析提供新工具。

链接：https://arxiv.org/abs/2609.13203

机构：University of Amsterdam（阿姆斯特丹大学）

作者：Cillian Hourican, Eric Dignum, Rick Quax, Debraj Roy

132. Specification Oracles

规格预言机

AI 总结：本研究探讨语言模型作为紧凑规格预言机的可行性，比较权重存储与外部笔记两种方式，发现权重方式在结构化世界中准确率更高但存储成本更大。

链接：https://arxiv.org/abs/2609.13415

机构：Diffusion； Redwood City, California, USA（红木城，加利福尼亚州，美国）

作者：Atticus Cull, Justin McCarthy

133. Efficient Online Inverse Optimization with $O(d)$ Regret

高效在线逆优化：$O(d)$ 遗憾界

AI 总结：提出首个高效且适当的在线逆线性优化算法，实现 $O(d)$ 遗憾界和每轮 $O(d^2)$ 时间，通过自归一化更新与迹幂势函数改进，并具鲁棒性。

链接：https://arxiv.org/abs/2609.13440

机构：Google Research（谷歌研究院）； Yale University（耶鲁大学）； New York University（纽约大学）； Google DeepMind（谷歌DeepMind）

作者：Yang Cai, Anupam Gupta, Vineet Gupta, Guru Guruganesh, Yanchen Jiang, Christopher Liaw, Aranyak Mehta, Renato Paes Leme, Grigoris Velegkas, Di Wang

134. A Machine Learning API for Earth Observation Data Cubes Based on openEO

基于openEO的地球观测数据立方体机器学习API

AI 总结：针对EO数据立方体与ML方法不匹配问题，提出openEO流程级ML规范，分三阶段支持经典与深度学习，原型验证跨后端互操作性，提升可复现性与可移植性。

链接：https://arxiv.org/abs/2609.13453

机构：Institute for Geoinformatics, University of Münster（明斯特大学地理信息学研究所）； FGV Agro - Center for Agribusiness Studies, Fundação Getulio Vargas（热图利奥·瓦加斯基金会农业研究中心）； Bochum University of Applied Sciences（波鸿应用科学大学）

作者：Brian Pondi, Jonas Hurst, Rolf Simoes, Jonas Starke, Marius Appel, Edzer Pebesma

135. One Spectrum, Two Resources: Data-Memory Scaling in Autoregressive Prediction

一个频谱，两种资源：自回归预测中的数据-内存缩放

AI 总结：该研究揭示自回归预测中数据与内存资源受同一能量频谱支配，提出极小极大定律并验证其在不同因果源及注意力机制中的适用性，实验证实了数据-内存坍缩现象。

链接：https://arxiv.org/abs/2609.13500

机构：City University of Hong Kong（香港城市大学）； University of New South Wales（新南威尔士大学）

作者：Chiwun Yang, Xiaoyu Li

136. Rolling Day-Wise Mortality Prediction in Critically Ill Patients With AKI on CRRT Utilizing Machine Pressure Waveforms

利用机器压力波形对接受CRRT的AKI危重患者进行滚动日间死亡率预测

AI 总结：本研究利用CRRT机器压力波形，通过清洗数据流和Transformer堆叠集成模型，在976名AKI患者中实现一天死亡率预测AUROC 0.766，首次将床旁数据转化为连续风险信号。

链接：https://arxiv.org/abs/2609.13524

机构：University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）； University of Cincinnati（辛辛那提大学）； Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）； UT Southwestern Medical Center（德克萨斯大学西南医学中心）

作者：Shehan Irteza Pranto, Joanna Yang, Joshua Lambert, Stuart L. Goldstein, Lili Chan, Girish N. Nadkarni, Tiago K. Colicchio, Javier A. Neyra, Jin Chen

137. Generative Interpretability via Scalable Neuro-Symbolic Models

可扩展神经符号模型下的生成式可解释性

AI 总结：针对大模型在智能体系统中输出不可逆行动的安全问题，提出生成式可解释性架构，使推理暴露可干预的语义检查点，并以神经符号模型实现。

链接：https://arxiv.org/abs/2609.13529

机构：University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

作者：Xiaocong Yang

138. Attention Is All You Need (to Avoid Spurious Oscillations)

注意力即所需（以避免虚假振荡）

AI 总结：本研究提出一种基于CFL条件注意力通量的守恒有限体积格式，实现大步长下激波的无振荡输运，并通过Burgers与浅水方程验证其有效性与局限性。

链接：https://arxiv.org/abs/2609.13531

作者：Jinyoung Jeong, Joseph B. Choi, Xinlun Cheng, H. S. Udaykumar, Sanghun Choi, Stephen S. Baek

139. FlowTSFM: Turning Encoder Depth into Quantile Transport

FlowTSFM：将编码器深度转化为分位数传输

AI 总结：FlowTSFM通过共享参数的循环Transformer块和分位数流目标，将编码器深度转化为传输过程，以38.8M参数在GIFT-Eval和TIME上接近更强基线，并显著提升预测轨迹的结构化程度。

链接：https://arxiv.org/abs/2609.13640

作者：Bahaeddine Abdessalem, Shifeng Xie, Zehao Xiao, Youssef Attia El Hili, Ambroise Odonnat, Jianfeng Zhang, Lujia Pan, Keli Zhang, Malik Tiomoko

140. When Compliance Data Masquerades as Evaluation: Measurement Validity for Deployed AI Systems

当合规数据伪装成评估：已部署AI系统的测量有效性

AI 总结：本文指出将合规监控数据误作比较评估基准是AI评估中的测量有效性问题，并以自动驾驶为例提出评估契约以明确假设。

链接：https://arxiv.org/abs/2609.13642

机构：Texas A&M University–Corpus Christi（德克萨斯A&M大学科珀斯克里斯蒂分校）； University of California, Riverside（加利福尼亚大学河滨分校）； University of Missouri（密苏里大学）

作者：Hung-Yu Lin, Xingran Huang, Qiming Guo, Jinwen Tang

141. Leakage-Safe and Scheduler-Aware Machine Learning for Grid Job Runtime Prediction

网格作业运行时间预测的防泄漏与调度感知机器学习

AI 总结：本文提出防泄漏的作业运行时间预测方法，使用提交时属性并采用时间性验证，CatBoost在GWA-T-4数据集上取得最佳效果，基于预测的SJF调度将平均等待时间降低50.92%。

链接：https://arxiv.org/abs/2609.13701

机构：Augustana College（奥古斯塔纳学院）； Florida International University（佛罗里达国际大学）； Dakota State University（达科他州立大学）

作者：Ashfaq Ali Shafin, Khandaker Mamun Ahmed

142. Certifying Model Upgrades with Slice-Wise Non-Regression and Incumbent Fallback

以切片级非回归与在位者回退机制认证模型升级

AI 总结：针对模型升级可能损害特定切片的问题，提出分离候选搜索与独立配对评估的发布流程，以非回归容差认证非劣效性，失败时回退在位者，并提供有限样本保证与实验验证。

链接：https://arxiv.org/abs/2609.13714

机构：University of Pennsylvania（宾夕法尼亚大学）； Alibaba International Digital Commerce（阿里巴巴国际数字商业集团）

作者：Shengwei Zhang, Tao Wu, Fei Qian

143. Training Specialist Models without Reasoning Trajectories for Domain Expert Distillation

训练领域专家模型的无推理轨迹蒸馏方法

AI 总结：本研究通过学生蒸馏作为探针，发现专家模型优化隐式选择潜在推理轨迹，且专家与学生的专业化-泛化特征强相关，调优选择可控制领域精度与通用能力的权衡。

链接：https://arxiv.org/abs/2609.13770

机构：University of British Columbia（不列颠哥伦比亚大学）； University of Helsinki（赫尔辛基大学）； ELLIS Institute Finland（芬兰ELLIS研究所）； University of Turku（图尔库大学）； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）

作者：Yilei Tu, Zihao Li, Shaoxiong Ji, Jörg Tiedemann, Fei Yuan

144. Does Reasoning Improve Psychological Depth in Large Language Models? It Depends on Who's Judging

推理能否提升大语言模型的心理深度？取决于谁来评判

AI 总结：本研究通过短篇故事心理深度评估发现，LLM评判者偏向推理输出但忽略人类主观异质性，开发集性能不足以证明部署有效性。

链接：https://arxiv.org/abs/2609.13773

机构：University of California, Los Angeles（加州大学洛杉矶分校）； Tsinghua University（清华大学）； LA General Hospital（洛杉矶总医院）； Google（谷歌）

作者：Ruichen Zheng, Yihe Wang, Fabrice Y Harel-Canada, Sara Khosravi, Zeynep Senahan Yildiz, Amit Sahai, Nanyun Peng

145. Affinity-Aware Sharding for Delayed Tensor Parallelism

面向延迟张量并行的亲和感知分片

AI 总结：针对延迟张量并行，通过置换模型最大化KV头与FFN神经元共置亲和性，加速蒸馏重训练，实验显示所需步数减半至三分之二。

链接：https://arxiv.org/abs/2609.13846

作者：Eloi de Reynal

146. ReH-FUSE: Reliability-Aware Hierarchical Fusion of Experts for Multimodal Emotion Recognition in Conversation

ReH-FUSE：面向对话中多模态情感识别的可靠性感知专家层级融合

AI 总结：提出ReH-FUSE，一种可靠性感知的层级专家融合框架，通过决策级路由器平衡单模态与跨模态信息，在IEMOCAP和MELD上显著提升多模态情感识别性能。

链接：https://arxiv.org/abs/2609.13857

机构：National Taiwan University of Science and Technology（国立台湾科技大学）

作者：Guan-Hua Wen, Hou-Chiang Tseng, Kuan-Yu Chen

147. Lie to me: Detecting Managerial Evasiveness in Earnings Calls via Conversational Audio Encoders

骗我：通过对话音频编码器检测财报电话会议中的管理层回避

AI 总结：本研究提出双分支晚期融合框架，结合LLM文本评判与对话音频编码器，检测财报电话会议中的管理层回避，以预测SEC不利事件，AUROC达0.89，优于单一模态。

链接：https://arxiv.org/abs/2609.13893

机构：Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）

作者：Huizhong Chen, Huan Zhang

148. Machine Learning under Imperfect Data: Challenges and Methods

不完美数据下的机器学习：挑战与方法

AI 总结：本文综述了不完美数据（缺失、不均衡、弱监督、分布偏移）下机器学习的挑战，归纳为信息丢失、经验风险偏差、监督模糊和表示不稳定四种机制，并探讨了相应方法及未来方向。

链接：https://arxiv.org/abs/2609.13914

机构：Shanghai Jiao Tong University（上海交通大学）

作者：Masoumeh Zareapoor

149. Minibatch persistency, eight years later: what batch reuse costs in steps and joules, and what it saves in data

小批量持久化，八年之后：批量重用以步数和焦耳计的成本，以及它在数据上的节省

AI 总结：本文通过预注册实验系统评估小批量持久化技术，发现其仅在数据稀缺且大批量时节省数据，不节省步数、时间或能量，并建议在数据可重读时采用间隔轮次。

链接：https://arxiv.org/abs/2609.13922

机构：University of Padova（帕多瓦大学）

作者：Matteo Fischetti

150. Exploring napping paradigm for Recurrent Spiking Neural Networks

探索循环脉冲神经网络的打盹范式

AI 总结：本文提出受生物启发的“打盹”微睡眠范式（比例权重缩放加随机膜噪声），在无监督循环SNN上验证其能匹配权重归一化的精度，同时降低模型复杂度并增强表示结构。

链接：https://arxiv.org/abs/2609.13927

机构：The Norwegian University of Life Sciences（挪威生命科学大学）； Østfold University of Applied Sciences（东福尔应用科学大学）

作者：Andreas Massey, Stefano Nichele, Aliaksandr Hubin

151. Hardware-Aware Learned Representation Compression for Distributed In-Sensor Vision

面向分布式感内视觉的硬件感知学习表示压缩

AI 总结：OASIS提出硬件感知的分布式感内视觉压缩框架，通过轻量编码器生成紧凑表示，结合量化/HDC实现18,816倍通信减少和2-4.5倍能耗降低。

链接：https://arxiv.org/abs/2609.13947

机构：Case Western Reserve University（凯斯西储大学）； University of Louisiana at Lafayette（路易斯安那大学拉法叶分校）； University of Southern California（南加州大学）； The University of Texas at Austin（德克萨斯大学奥斯汀分校）； Apple（苹果公司）； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）

作者：Chengwei Zhou, Abu Masum, Xuming Chen, Mehran Moghadam, Sreetama Sarkar, Arnab Sanyal, Md Abdullah-Al Kaiser, M. Hassan Najafi, Sercan Aygun, Gourav Datta

152. Stabilizing Performative Feedback Loops with Minimal Model Deployments

以最少模型部署稳定性能反馈循环

AI 总结：本研究提出一种新算法，在高精度下以近乎最少的模型部署次数找到性能稳定预测器，无需假设预测如何影响分布，且部署次数比先前方法指数级减少，并给出去随机化结果。

链接：https://arxiv.org/abs/2609.14065

机构：MIT EECS（麻省理工学院电气工程与计算机科学系）； New York University（纽约大学）

作者：Gabriele Farina, Juan Carlos Perdomo

153. LIMBO: Lifelong Inference-Time Memory and Budget Optimization for LLM Agents

LIMBO：面向LLM智能体的终身推理时记忆与预算优化

AI 总结：LIMBO提出首个在线框架，将记忆视为可控推理时资源，联合优化终身LLM智能体的记忆策略与推理预算，在LifelongAgentBench上以更低成本实现更优或相当的性能。

链接：https://arxiv.org/abs/2609.14138

机构：University of California, San Diego（加利福尼亚大学圣迭戈分校）； West Virginia University（西弗吉尼亚大学）

作者：Siddharth Sharma, Nilesh Prasad Pandey, Onat Gungor, Tajana Rosing

154. T-SMART: Mechanism-Level Attribution for Tool-Augmented Time-Series Question Answering

T-SMART：工具增强时间序列问答的机制级归因

AI 总结：T-SMART通过分离语言推理、确定性计算和感知，揭示工具增强时间序列问答的主要收益来自可靠数值执行，而非额外语言推理，准确率提升31.7个百分点。

链接：https://arxiv.org/abs/2609.14142

机构：University of California, San Diego（加利福尼亚大学圣迭戈分校）； West Virginia University（西弗吉尼亚大学）

作者：Ivan Delgado, Himansi Gupta, Bishal Khatri, Niharika Sapre, Lameta Shamoon, Onat Gungor, Tajana Rosing

155. Signatures of Steerability in Activation Space of Language Models

语言模型激活空间中可操控性的特征

AI 总结：本文通过分离度量预测语言模型激活引导的可操控性，实验证明其与下游效果强相关，可作为实用诊断工具。

链接：https://arxiv.org/abs/2609.14151

机构：New York University Abu Dhabi（纽约大学阿布扎比分校）； New York University（纽约大学）

作者：Prajjwal Bhattarai, Tuka Alhanai

156. Inherited Heads: Audio language models track speakers with their text backbone's attention, and an attention-mass ranking retrieves a different set

继承的注意力头：音频语言模型通过其文本骨干的注意力追踪说话者，且一种注意力质量排序会检索出不同的集合

AI 总结：本研究揭示音频语言模型可通过文本骨干的注意力头追踪说话者，添加偏置可高精度重定向描述，且这些头多继承自文本模型，并比较了两种注意力头排序方法的效果。

链接：https://arxiv.org/abs/2609.14174

机构：Cornell University（康奈尔大学）

作者：Bojro Das

157. A Machine Learning Framework for Fault Detection, Isolation, and Severity Prediction of Autonomous VTOL Aircraft

自主垂直起降飞行器故障检测、隔离与严重程度预测的机器学习框架

AI 总结：该研究提出一种基于CNN的机器学习框架，利用真实飞行数据实现自主VTOL飞行器旋翼故障检测、隔离与严重程度预测，实验准确率超99%，严重程度估计达96%。

链接：https://arxiv.org/abs/2609.14180

机构：Oklahoma State University（俄克拉荷马州立大学）； SRI International（SRI国际）

作者：Ripon C. Sarker, Pedram H. Dabaghian, Raman Goyal, Atanu Halder

158. Learning Source Acquisition Policies by Offline Planning

通过离线规划学习源获取策略

AI 总结：本文提出O-MPAC方法，通过离线规划学习源获取策略，在预算约束下选择特征组，实验表明其在多个任务上优于现有方法。

链接：https://arxiv.org/abs/2609.14299

机构：Southeast University（东南大学）

作者：Ziqi Zhao, Run Xu, Qingjian Ni

159. Follow the Geometry, Not the Model: Cold Start Semi-Supervised Learning

遵循几何，而非模型：冷启动半监督学习

AI 总结：针对冷启动半监督学习中分类器自监督不适定的问题，提出VAST方法，通过解耦伪标签生成与训练，利用冻结嵌入几何推断信念并蒸馏至归纳分类器，在多个数据集上显著优于现有基线。

链接：https://arxiv.org/abs/2609.14451

机构：The Hebrew University of Jerusalem（耶路撒冷希伯来大学）

作者：Itai David, Daphna Weinshall

160. Retrieval-Guided Fine-Tuning as Noisy Estimation: Risk bounds and Architectural Analysis

检索引导微调作为噪声估计：风险界与架构分析

AI 总结：本研究将检索引导微调建模为多任务线性回归中的噪声估计问题，证明其风险界优于仅目标训练，并揭示线性自注意力前向传播的固定聚合是性能不稳定的根源，而OLS代理则保持最优风险。

链接：https://arxiv.org/abs/2609.14485

机构：Indian Institute of Technology Delhi（印度理工学院德里分校）； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

作者：Bhargav Lad, Yifan Hao

161. GNN4PPM: Multi-Target Predictive Process Monitoring with Relational Graph Convolutional Networks

GNN4PPM：基于关系图卷积网络的多目标预测性流程监控

AI 总结：GNN4PPM利用关系图卷积网络和异构知识图谱，实现多目标预测性流程监控，一次性预测所有下一事件及其数据负载，实验证明其准确性和适用性。

链接：https://arxiv.org/abs/2609.14534

机构：Technical University of Munich（慕尼黑工业大学）

作者：Ana Costa, Johannes Mäkelburg, Luise Pufahl

162. Diagnosing Temporal Misalignment in Multichannel Time-Series Classification with Minimum Description Length

诊断多通道时间序列分类中的时间错位：基于最小描述长度的方法

AI 总结：提出基于最小描述长度的无监督诊断方法，通过测量通道间编码效率检测多通道时间序列分类中的时间错位，无需重训练或参考对齐，实验验证可恢复部署漂移下的准确性并揭示基准数据集的系统性偏移。

链接：https://arxiv.org/abs/2609.14595

机构：Lamarr Institute, TU Dortmund University（拉马尔研究所，多特蒙德工业大学）； DAES Group, TU Dortmund University（DAES研究组，多特蒙德工业大学）； Cyber-Physical Systems, RWTH Aachen（网络物理系统，亚琛工业大学）

作者：Sebastian Buschjäger, Michael Frichert, Daniel Kuhe, Jian-Jia Chen

163. SH-WRNN: Implicit Spherical Harmonics Weight Field Routing Neural Networks for Asymmetric Edge Intelligence

SH-WRNN：面向非对称边缘智能的隐式球谐权重场路由神经网络

AI 总结：SH-WRNN将权重矩阵参数化为球谐连续场，通过经纬度路由动态提取权重，实现单周期高精度训练，并利用表面烘焙实现非对称加速，为边缘智能提供新范式。

链接：https://arxiv.org/abs/2609.14614

作者：Zhibin Jiao, Xiangjing An

164. WaterKron and FlipFlop Hessian: Information-Theoretically Grounded Quantization with Kronecker-factored Hessians

WaterKron 与 FlipFlop Hessian：基于 Kronecker 分解 Hessian 的信息论量化方法

AI 总结：本文提出 WaterKron 量化方法，结合双面 GPTQ 与熵编码，并通过最小化 Kronecker-Hessian 不匹配因子推导出 FlipFlop Hessian，实证表明其优于其他 Hessian 选择。

链接：https://arxiv.org/abs/2609.14706

机构：University of California San Diego（加州大学圣迭戈分校）

作者：Johann Birnick, Rayan Saab

165. GRPO-QM: Target Preserving Exploration for Quantum Tomography

GRPO-QM：用于量子层析的目标保持探索

AI 总结：GRPO-QM通过仅学习量子层析后验的探索策略并采用Metropolis校正保持后验平稳，实验表明大部分增益来自物理提议和先验而非学习，并诊断出采样训练中的目标缩放问题。

链接：https://arxiv.org/abs/2609.14711

机构：Stony Brook University（石溪大学）； Georgia Institute of Technology（佐治亚理工学院）； Westlake University（西湖大学）

作者：Yufeng Wang, Parivesh Priye, Lu Wei, Haibin Ling

166. Carryover Drafting: Recycling Rejected States for Speculative Decoding

Carryover Drafting: 回收被拒绝状态用于投机解码

AI 总结：针对投机解码中被拒绝令牌计算浪费的问题，提出Carryover Drafting机制，回收被拒绝隐藏状态作为临时KV上下文，配合并行草稿-验证-草稿训练，提升接受长度与端到端推理速度。

链接：https://arxiv.org/abs/2609.14717

机构：NAVER Cloud（NAVER云）； Seoul National University（首尔大学）

作者：Jahyun Koo, Sunghyeon Woo, Jaeeun Kil, Jeongtae Lee, Sungjae Lee, Kyomin Jung, Minsub Kim

167. Calibrating Interpretability Instruments Before Trusting Their Verdicts

在信任可解释性工具的裁决之前校准它们

AI 总结：本文识别并系统化了LLM可解释性测量中的六种失败模式，提出校准、验证、功效计算和深度参照四步纪律，以确保因果论断的可靠性。

链接：https://arxiv.org/abs/2609.14754

机构：Distiller Labs（Distiller 实验室）

作者：Orion Reblitz-Richardson

168. Refusal Reads Only a Slice of What the Model Knows: Harm-Keyed Routing and Its Exceptions Across Model Families

拒绝仅读取模型所知的一小部分：跨模型家族的危害键控路由及其例外

AI 总结：本研究探究模型拒绝决策读取的内容，发现其仅读取低秩危害方向而非道德子空间，且跨家族存在差异，提出拓宽拒绝读取范围以深化行为的开放问题。

链接：https://arxiv.org/abs/2609.14759

机构：Distiller Labs

作者：Orion Reblitz-Richardson

169. Semantic Fibers and Cross-Gram Interference: A Calculus of Safety Drift in Overcomplete Representations

语义纤维与跨文法干扰：过完备表示中安全漂移的演算

AI 总结：本文通过线性代数演算形式化跨语言安全漂移，提出暴露度量与三区域诊断，并验证了控制接口残差的高预测性能。

链接：https://arxiv.org/abs/2609.14861

机构：Université Paris 1（巴黎第一大学）； Faculty of Science and Technology of Tangier（丹吉尔科学与技术学院）； Abdelmalek Essaadi University（阿卜杜勒马利克·埃萨迪大学）

作者：Mohammed Ahnouch, Lotfi Elaachack

170. Interpolation Is Not Invariance: Pair Count Is Not Coverage in Transformation Audits

插值并非不变性：变换审计中的配对计数不等于覆盖率

AI 总结：本研究揭示变换审计中配对计数高估覆盖率的问题，提出四个互补度量并推导精确留一轨道更新及源不相交部署门，以提升审计可靠性与部署安全性。

链接：https://arxiv.org/abs/2609.14870

作者：Mohammed Ahnouch, Lotfi Elaachak

171. AgentKV: Phase-Aware KV Eviction for Agentic LLMs

AgentKV：面向智能体大语言模型的阶段感知KV淘汰

AI 总结：针对智能体服务KV缓存压力大且现有淘汰方法忽视阶段差异的问题，提出AGENTKV阶段感知KV淘汰方法，显著提升任务分数与吞吐量。

链接：https://arxiv.org/abs/2609.14872

机构：Imperial College London（伦敦帝国理工学院）； Columbia University（哥伦比亚大学）

作者：Taowen Tony Liu, Jeffrey T. H. Wong, Can Xiao, Bowen Yang, Hao Mark Chen, Yiren Zhao

172. Cross-Block Conditioning in Deep Boltzmann Machines for Statistical Data Fusion

深度玻尔兹曼机中的跨块条件化用于统计数据融合

AI 总结：本研究提出观察块多预测，使深度玻尔兹曼机在统计数据融合中可用，并发现跨结果块条件化是性能提升的关键，且不随数据规模衰减。

链接：https://arxiv.org/abs/2609.14934

机构：Meijo University（名城大学）

作者：Junichiro Niimi

173. HGTO: A Unified Graph-Based Physics-Informed Formulation for Structural Topology Optimization

HGTO：一种用于结构拓扑优化的统一基于图的物理信息公式

AI 总结：HGTO提出统一基于图的物理信息公式，将神经拓扑优化扩展到有限元图空间，耦合材料场与平衡态，以更低成本实现与常规方法相当的柔度性能。

链接：https://arxiv.org/abs/2609.15001

机构：Arizona State University（亚利桑那州立大学）

作者：Kangzheng Liu, Uday Kumar Punna, Leixin Ma

174. Pick Your Poison: Learning to Select Poison Sets for Stronger LLM Backdoor Attacks

挑选你的毒药：学习选择毒集以增强LLM后门攻击

AI 总结：本文提出SAILS方法，通过学习集合评分器优化毒集选择，在LLaMA-3-8B后门攻击中将攻击成功率从3%-80%的随机波动提升至平均提高30个百分点，并适用于代码生成、智能体及API场景。

链接：https://arxiv.org/abs/2609.15029

机构：Carnegie Mellon University（卡内基梅隆大学）； Anthropic

作者：Aashiq Muhamed, Mona T. Diab, Virginia Smith, Andrew Ilyas, Matthew Jagielski

175. Structured Features Overfit Where Random Features Grok

结构化特征过拟合，随机特征涌现泛化

AI 总结：本研究对比结构化与随机特征映射，发现结构化傅里叶特征在岭回归中不出现涌现延迟，其性能退化由活跃模式数而非容量比决定，揭示特征几何对泛化的关键作用。

链接：https://arxiv.org/abs/2609.15047

机构：University Paris City & University of Reunion（巴黎城市大学与留尼汪大学）； Dipartimento di Fisica e Chimica Emilio Segrè, Università degli Studi di Palermo（巴勒莫大学埃米利奥·塞格雷物理与化学系）； EnergyLab, University of Reunion（留尼汪大学能源实验室）； PEACCEL, AI for Biologics（PEACCEL生物制药人工智能公司）

作者：Chon-Fai Kam, Miloud Bessafi, Frederic Cadet

176. Sensory Precision Inference for Multimodal Arbitration under Uncertainty

不确定性下多模态仲裁的感觉精度推断

AI 总结：本文提出一种多模态感知推断模型，通过动态推断感觉精度并引入学习先验，在感觉冲突下实现稳健的潜在信念更新与模态仲裁，实验验证其提升重建鲁棒性和推断连贯性。

链接：https://arxiv.org/abs/2609.15065

机构：The University of Osaka（大阪大学）； IRCN, The University of Tokyo（东京大学国际神经智能研究中心）

作者：Tin Mišić, Takato Horii

177. Omni-Streaming Thinking

流式全模态思考

AI 总结：针对流式全模态模型过早跨模态承诺问题，提出Omni-Streaming Thinking方法，通过结构化证据、预测与验证机制及答案门控，在五个基准上平均相对提升超10%，并引入诊断基准OST-DiagBench验证其有效性。

链接：https://arxiv.org/abs/2609.15128

机构：The University of Hong Kong（香港大学）； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））； University of Sussex（萨塞克斯大学）； LIGHTSPEED

作者：Enjun Du, Siyi Liu, Ziyu Zheng, Jingyu Li, Yiwen Guo, Yongqi Zhang, Difan Zou

178. Temporal Self-Distillation: Faster Inference in Discrete Diffusion Language Models

时间自蒸馏：离散扩散语言模型中的更快推理

AI 总结：时间自蒸馏通过跨时间步蒸馏预测，使离散扩散语言模型能更激进地并行解码，在数学、规划和代码基准上显著提升速度-质量权衡，实现单阶段加速。

链接：https://arxiv.org/abs/2609.15177

机构：University of Basel（巴塞尔大学）； University of Amsterdam（阿姆斯特丹大学）； Johns Hopkins University（约翰霍普金斯大学）

作者：Shijian Xu, Andrea Miele, Metod Jazbec, Volker Roth, Eric Nalisnick, Ilija Bogunovic

179. The Universe of Universes: Benefit Yield Functions, Implosion Thresholds, and Infrastructure-Aware Optimization in Multi-LLM Systems

万有之域：多LLM系统中的效益产出函数、内爆阈值与基础设施感知优化

AI 总结：提出万有之域框架，形式化效益产出函数与内爆阈值，刻画多LLM集成性能随规模变化规律，并关联基础设施与采办政策。

链接：https://arxiv.org/abs/2609.15314

作者：Danielle Franklin, Vasu Raj Jain

180. Single-condition neural solvers encode transferable response spaces for parametric differential equations

单条件神经求解器为参数化微分方程编码可迁移响应空间

AI 总结：本文提出线性化子空间迁移（LST）与主动迁移建模（ATM），利用单条件神经求解器的输出雅可比矩阵构建可复用响应空间，通过残差最小化实现跨条件迁移，在六个系统中显著降低误差与构建成本，确立神经求解器为可复用局部参数模型。

链接：https://arxiv.org/abs/2609.15432

作者：Wenbo Cao, Weiwei Zhang

181. On the role of the tokenizer in ECG transformer models

论分词器在ECG Transformer模型中的作用

AI 总结：本研究比较八种分词策略于ECG Transformer，发现生理感知分词提升宏AUC 8.2%，并大幅减少序列长度和内存，无需增加模型容量。

链接：https://arxiv.org/abs/2609.15433

机构：Uppsala University（乌普萨拉大学）； Scilifelab（瑞典生命科学实验室）

作者：Jiawei Li, Fabio Bonassi, Johan Sundström, Thomas B. Schön, Antônio H. Ribeiro

182. Data-driven Prediction of Satellite-observed Avalanche Activity from Snowpack Simulations

基于积雪模拟的数据驱动卫星观测雪崩活动预测

AI 总结：本研究利用SNOWPACK模拟和Transformer模型预测SAR观测的雪崩活动，在区域尺度上达到r=0.803的相关性，表明积雪模拟能反映雪崩活动的广泛变化，但尚不具备业务预报能力。

链接：https://arxiv.org/abs/2609.15485

机构： NORCE Research（挪威研究中心）； UiT The Arctic University of Norway（挪威北极圈大学）； Norwegian Water Resources and Energy Directorate（挪威水资源与能源局）

作者：Jakob Grah, Filippo Maria Bianchi, Bert Kruyt, Karsten Müller

183. Beyond Noise: Understanding and Overcoming Temperature Effects in Analog DNN Inference

超越噪声：理解并克服模拟DNN推理中的温度效应

AI 总结：本研究通过实验探究温度对模拟DNN推理的影响，发现系统性非理想特性是性能下降主因，并提出硬件在环训练和温度感知校准作为最有效的缓解策略。

链接：https://arxiv.org/abs/2609.15527

机构：Heidelberg University（海德堡大学）

作者：Niklas Summ, Xiao Wang, Hendrik Borras, Bernhard Klein, Holger Fröning

184. The Misery of Mechanistic Interpretability: A Formal Perspective

机制可解释性的困境：一个形式化视角

AI 总结：针对机制可解释性中IRN在对抗扰动下特征翻转的问题，提出形式化验证框架认证忠实性上界，并通过验证感知训练收紧界限，为LLM可解释性提供首个形式化保证。

链接：https://arxiv.org/abs/2609.15533

机构：Technical University of Munich（慕尼黑工业大学）

作者：Tobias Ladner, Matthias Althoff

185. The Token Before the Value Is the Key: How Hybrid Architectures Organize Induction Circuits

值之前的令牌是关键：混合架构如何组织归纳电路

AI 总结：本研究通过配对探针和干预实验，揭示混合语言模型中归纳电路的组织机制，发现携带前驱信息集中于高效层，匹配集中于全局层，且值前令牌是关键，连接架构、电路发展与召回。

链接：https://arxiv.org/abs/2609.15545

机构：Tencent（腾讯）； Beihang University（北京航空航天大学）

作者：Ke Cheng, Xin Xu, Yixiao Chen, Lei Xin, Jianbo Zhao, Fanhu Zeng, Yue Liu, Jun Zhang, Jie Jiang

186. Knowledge-Enriched Structured EHR Features for 30-Day Hospital Readmission Prediction on MIMIC-IV

知识增强的结构化EHR特征用于MIMIC-IV上30天再入院预测

AI 总结：本研究提出知识增强的结构化EHR特征，融合四个医学知识源，在不使用临床记录的情况下，以较低计算成本实现与现有方法相当的30天再入院预测性能（AUROC 0.743）。

链接：https://arxiv.org/abs/2609.15713

机构：Old Dominion University（欧道明大学）； University of Arkansas for Medical Sciences（阿肯色大学医学科学分校）

作者：Mohamad Najafi, Hongyun Fu, Mathias Brochhausen, Jian Wu, Yaohang Li

187. A Language-Guided Multimodal Foundation Model for Zero-Shot and Multi-Task Brain Signal Analysis

语言引导的多模态基础模型用于零样本与多任务脑信号分析

AI 总结：本研究提出语言引导的多模态基础模型METIS，通过统一语言-信号对齐实现零样本多任务脑信号分析，在大型语料库预训练后，性能超越通用模型20.9%以上，并达到或超过监督模型。

链接：https://arxiv.org/abs/2609.15740

机构：Peking University（北京大学）； Chinese Institute for Brain Research (CIBR)（北京脑科学与类脑研究所）

作者：Mingzhi Chen, Yiyu Gui, Guibo Luo, Yuchao Yang

188. Discrete Beckmann Transport Models for One-Step Language Modeling and Reasoning

离散贝克曼输运模型用于单步语言建模与推理

AI 总结：针对多步采样压缩问题，提出离散贝克曼输运模型（DBTM），利用时间无关流的固定点性质实现单步生成，无需教师蒸馏，在语言建模和推理任务上优于离散扩散与连续流基线。

链接：https://arxiv.org/abs/2609.15903

机构：University of Pennsylvania（宾夕法尼亚大学）； Harvard University（哈佛大学）； Kempner Institute（肯普纳研究所）； IAIFI

作者：Sophia Tang, Shiyi Wang

189. A Chosen Future Can Still Be Rewritten: Causal Writability in Video Models

被选择的未来仍可改写：视频模型中的因果可写性

AI 总结：本文发现视频模型生成错误运动并非未学到正确运动，而是未使用；通过低维物理变量编辑可恢复正确运动，即因果可写性，并在1.3B模型中验证其普遍性。

链接：https://arxiv.org/abs/2609.15980

机构：Tsinghua University（清华大学）； Peking University（北京大学）； University of Science and Technology of China（中国科学技术大学）； MetaCircle； Shanghai Qi Zhi Institute（上海期智研究院）

作者：Xingyun Wang, Haomin Zheng, Man Yuan, Leqian Yang, Ziming Liu

190. The Router Within: Eliciting Native Skill Routing from a Frozen LLM

内在路由器：从冻结的LLM中激发原生技能路由

AI 总结：本文提出Gavel方法，利用冻结LLM内部状态通过两个线性映射实现无需上下文的技能路由，在Qwen3-32B上超越外部参数方法，最高提升21.9个百分点，并验证了路由能力随骨干增强而提升。

链接：https://arxiv.org/abs/2609.15982

机构：Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）

作者：Ruishuo Chen, Xun Wang, Yu Chen, Zhuoran Li, Longbo Huang