机器学习学术速递[10.1]

AI 总结：提出一种仅用常规天气和轻量静态输入的通用深度学习框架，在巴西大豆20季数据上验证，Transformer模型达最优精度，误差较基线降低47.6%，且易推广至其他作物和区域。

链接：https://arxiv.org/abs/2609.38447

作者：Fernando Dupin da Cunha Mello (1), Prashant Kumar (2, 3, 4), Erick G. Sperandio Nascimento (1, 2, 3, 4) ((1) Stricto Sensu Department, SENAI CIMATEC University, Salvador, Bahia, Brazil, (2) Global Centre for Clean Air Research (GCARE), School of Engineering, Civil and Environmental Engineering, Faculty of Engineering and Physical Sciences, University of Surrey, Guildford GU2 7XH, United Kingdom, (3) Institute for Sustainability, University of Surrey, Guildford, GU2 7XH, United Kingdom, (4) Surrey Institute for People-Centred AI, Faculty of Engineering and Physical Sciences, University of Surrey, Guildford GU2 7XH, UK)

AI 总结：本文提出重复强化与持续遗忘（RPF）动态框架，从理论上和实验上证明遗忘作为选择机制可产生类似MDL的压缩，提供可控归纳偏置。

链接：https://arxiv.org/abs/2609.38768

作者：Fujie Gao, Zuyue Zhang, Gang Sun

AI 总结：SparLeak利用稀疏注意力引发的GPU内存访问侧信道，通过相位感知攻击提取轨迹，实现查询属性推断与响应重建，在真实服务下成功率分别达90.9%和87.3%。

链接：https://arxiv.org/abs/2609.38830

机构：Shandong University（山东大学）； Waseda University（早稻田大学）

作者：Fahao Chen, Linkang Du, Jinhao Zhou, Peng Li, Zhou Su

AI 总结：本文提出基于秩的公平性评估框架，结合RGF、AURGF、置换检验和特征移除，在模拟和HMDA数据上验证，发现树模型兼顾准确性与公平性，且不公平源于数据固有群体差异。

链接：https://arxiv.org/abs/2609.39025

机构：University of Tipaza（蒂帕扎大学）； University of Pavia（帕维亚大学）

作者：Dalia Atif, Paolo Giudici

AI 总结：本文提出ID Balancing，一种基于PID控制的积分-微分负载均衡方法，用于稳定训练极稀疏MoE模型，显著降低负载不均衡并提升扩展性能。

链接：https://arxiv.org/abs/2609.39137

机构：Qwen Team, Alibaba Token Hub, Alibaba Group（通义千问团队，阿里巴巴令牌中心，阿里巴巴集团）

作者：Peng Jin, Zihan Qiu, Zekun Wang, Bo Zheng, Yang Xu, Tian Xie, Xiao Li, Huaqing Zhang, Haoran Lian, Rui Men, Dayiheng Liu

AI 总结：本研究扩展BORF至不规则时间序列，提出时间加权归一化方案，保持线性复杂度，在PYRREGULAR数据集上达到竞争性能并提供可解释性。

链接：https://arxiv.org/abs/2609.39268

机构：University of Pisa（比萨大学）； ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）

作者：Francesco Spinnato

AI 总结：本研究系统分析了1.5B至7B参数的小型语言模型在GRPO微调中的训练动态，涵盖数学、编码和科学MCQ任务，发现其在数学基准上表现优异但在其他领域有限，并提出了LoRA和奖励塑形的改进建议。

链接：https://arxiv.org/abs/2609.39321

机构：Nutanix

作者：Rajat Ghosh, Vaishnavi Bhargava, Henry Wong, Aryan Singhal, Debojyoti Dutta

AI 总结：针对时间序列基础模型在实例归一化骨干上路由崩溃的问题，提出原始路由混合适配器（RR-MoA），通过因果干预在归一化前输入上路由，在冻结骨干下显著优于多种适配方法，并具有跨骨干泛化性。

链接：https://arxiv.org/abs/2609.39445

作者：Hung Phan, Thuy T. Nguyen, Minh Ngoc Dinh, Nhat-Quang Tran

AI 总结：针对球面数据处理的机器学习需求，提出torch-harmonics库，提供高效可微的球谐变换、卷积和注意力机制，支持可扩展的旋转感知学习。

链接：https://arxiv.org/abs/2609.39737

机构：NVIDIA Corporation（英伟达公司）； California Institute of Technology（加州理工学院）

作者：Thorsten Kurth, Max Rietmann, Mauro Bisson, Andrea Paris, Alberto Carpentieri, Jean Kossaifi, Anima Anandkumar, Christian Hundt, Boris Bonev

AI 总结：本文从局部景观几何角度分析语言模型预训练，揭示两阶段动态，解释学习率预热和动态批次大小调度，提供大规模预训练调优策略。

链接：https://arxiv.org/abs/2609.39767

机构：Tsinghua University（清华大学）； Peking University（北京大学）； Shanghai Jiao Tong University（上海交通大学）

作者：Zhanpeng Zhou, Yuhan Sun, Bingrui Li, Jinbo Wang, Huaijin Wu, Lei Wu, Junchi Yan

AI 总结：提出OpenTSLM TeeMoE，一种统一时间序列语言模型，通过LoRA混合专家控制器融合预测聚合、原生预测和时间分析三个低秩专家，在多个基准上取得前三性能。

链接：https://arxiv.org/abs/2609.40265

机构：Columbia University, USA（哥伦比亚大学）； Stanford University, USA（斯坦福大学）； Aionic Labs, Switzerland（Aionic Labs）； Google Agentic Systems Lab, ETH Zürich, Switzerland（谷歌智能体系统实验室，苏黎世联邦理工学院）； University of Pisa, Italy（比萨大学）； National University of Singapore（新加坡国立大学）

作者：Tony Chen, Timo Stoffregen, Maxwell Xu, Thomas Kaar, Martin Maritsch, Geremia Pompei, Nicolas Zumarraga, Robert Jakob, Paul Schmiedmayer, Patrick Langer, Juncheng Liu

AI 总结：本文提出循环缩放定律，联合建模循环与稀疏性，预测循环MoE损失，并证明其在万亿token规模下带来参数效率与性能优势。

链接：https://arxiv.org/abs/2609.40316

机构：Meta AI

作者：Yanbei Chen, Anirudh Goyal, Raghuraman Krishnamoorthi

AI 总结：本研究提出语义可恢复性概念，从理论上阐明同实例自监督学习保留哪些下游任务信息，并揭示其与方向几何、谱结构及少样本迁移的定量关系。

链接：https://arxiv.org/abs/2609.38393

机构：Texas A&M University（得克萨斯A&M大学）

作者： Achleshwar Luthra, Lucas Bryant, Tracy Zhu, Tomer Galanti

AI 总结：本研究证明在概率对比学习中，共享温度并不直接对应共享角度尺度，并提出了vMF得分的前导角度增益理论，通过实验验证了其在多种数据集上的预测准确性，并展示了纯角度编辑对表示学习的改善作用。

链接：https://arxiv.org/abs/2609.38784

机构：Nanjing Normal University（南京师范大学）； Nanjing University of Chinese Medicine（南京中医药大学）； Tohoku University（东北大学）

作者：Ningkang Peng, Qianfeng Yu, Jingyang Mao, Xiaoqian Peng, Tingyu Lu, Peirong Ma, Yanhui Gu

AI 总结：scTrilemma提出一种潜在瓶颈VAE，通过路由变异至嵌入、解码器或先验，在无标签条件下同时满足单细胞表示的身份、不变性和保真度，并在零样本评估中领先。

链接：https://arxiv.org/abs/2609.38840

作者：Yunhak Oh, Yoonho Lee, Junseok Lee, Namkyeong Lee, Sang-Yeon Hwang, Yinhua Piao, Hyomin Kim, Seonghwan Kim, Jaechang Lim, Woo Youn Kim, Sungsoo Ahn, Chanyoung Park

AI 总结：提出世界即图（WAG），一种基于图的对象中心世界模型，通过关系感知结构归纳和对象中心记忆转换，在JEPA框架中引入关系归纳偏置，实现显式关系建模与自回归预测，在视觉推理和机器人操作任务中表现优越。

链接：https://arxiv.org/abs/2609.38927

机构：RMIT University（皇家墨尔本理工大学）； Monash University（莫纳什大学）； KStelrix（KStelrix公司）； The University of Melbourne（墨尔本大学）

作者：Yaqi Yang, Shuo Huang, Yujin Huang, Fucai Ke, Jiatong Han, Xin Zheng

AI 总结：本文通过植入隐藏通路使因果干预的有害分歧可检验，发现现有距离指标无法识别，提出HPC测试（AUROC≥0.99），并揭示优化干预会主动利用隐藏通路。

链接：https://arxiv.org/abs/2609.39243

机构：China Financial Certification Authority (CFCA)（中国金融认证中心）； PetroChina Southwest Oil and Gasfield Company（中国石油西南油气田公司）

作者：Beiming Liu, Minjie Chen

AI 总结：提出互反馈架构MEQ，通过两模态间持续信息交换形成耦合嵌入，以固定点作为输出，在分类与视觉接地任务上优于或媲美拼接方法。

链接：https://arxiv.org/abs/2609.39456

机构：Baylor College of Medicine（贝勒医学院）； SUNY Korea（纽约州立大学韩国分校）

作者：Ho-min Park, Byungkon Kang

AI 总结：CORD通过联合预训练跨异构物理系统学习可复用退化表征，结合类型特定接口与共享主干，在轴承、电池等数据集上优于单域模型，并改善跨单元生命周期一致性。

链接：https://arxiv.org/abs/2609.39784

机构：CentraleSupélec, Université Paris-Saclay（巴黎中央理工-高等电力学院，巴黎萨克雷大学）

作者：Haibo Li, Zhiguo Zeng

AI 总结：本文提出移动视界近似分支-归约方法，结合全局优化与启发式近似，高效训练大规模连续特征上的深度分类树，在精度和可扩展性上优于现有方法。

链接：https://arxiv.org/abs/2609.38194

机构：University of British Columbia（不列颠哥伦比亚大学）

作者：Chenxuanyin Zou, Jiayang Ren, Qiangqiang Mao, Jing Liu, Marcus Lai, Yankai Cao

AI 总结：针对在线策略蒸馏中教师面对学生生成前缀时续写性能下降的问题，提出SCOUT协同训练框架，通过可验证奖励的强化学习适配教师，提升蒸馏效果。

链接：https://arxiv.org/abs/2609.38360

机构：Washington University in St. Louis（圣路易斯华盛顿大学）； AWS AI Labs（AWS AI 实验室）； Carnegie Mellon University（卡内基梅隆大学）； Georgia Institute of Technology（佐治亚理工学院）

作者：Langlin Huang, Hao Liu, Mononito Goswami, Xinyu Li, Prithwith Jana, Nikos Kanakaris, Patrick Blöbaum, Purak Jain

AI 总结：本研究提出分歧正则化模仿学习（DRIL），利用策略分歧作为奖励，在少演示图像连续控制中显著提升性能，Beta策略在更多演示时表现更优。

链接：https://arxiv.org/abs/2609.38407

机构：Federal University of Santa Catarina（圣卡塔琳娜联邦大学）

作者：Irving Giovani Bronzatti Petrazzini, Eric Aislan Antonelo

AI 总结：本文提出三种酉循环网络作为循环PPO的替代，利用复数表示的相位信息提升部分可观测环境中的记忆与决策，在rocksample和Craftax等任务中奖励提升2-3倍。

链接：https://arxiv.org/abs/2609.38598

机构：University of Amsterdam（阿姆斯特丹大学）； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）

作者：Sathya Kamesh Bhethanabhotla, Efstratios Gavves, André Biedenkapp

AI 总结：针对基于模型的离线强化学习中模型误差导致轨迹偏离数据分布的问题，提出分布内想象（IDI）框架，通过轨迹级支持估计与截断控制，结合轨迹正则化强化学习，在有限数据下提升性能。

链接：https://arxiv.org/abs/2609.38673

作者：Mintae Kim, Koushil Sreenath

AI 总结：本研究提出显式轨迹多样性方法TJPO，通过用户指定的轨迹描述符定义并优化LLM智能体后训练中的行为多样性，在Sokoban和ALFWorld上提升任务性能并保持有效性。

链接：https://arxiv.org/abs/2609.38805

机构：Microsoft（微软）； tuyoogame（拓优游戏）

作者：Huaiyu Fu, Heng Cao, Hao Wang, Jian Ya, Tao Chen

AI 总结：针对基于评分标准的强化学习中加法聚合导致奖励黑客的问题，提出协议级评分标准（ProRubric），通过分组聚合提升临床咨询的适当性10.8点且不损失覆盖率。

链接：https://arxiv.org/abs/2609.38847

机构：Beijing University of Posts and Telecommunications（北京邮电大学）； ByteDance（字节跳动）

作者：Maoqi Liu, Junwei He, Bowen Zhang, Feiran Li, Wentao Ma, Rongyi Lin, Shuhan Zhong, Quan Fang

AI 总结：提出长度自蒸馏（LSD）方法，通过在线策略蒸馏缓解RL后训练中的长度扩展税，在保持性能的同时显著减少简单查询的回答长度，实验显示LST从19.0%降至-3.7%（单轮）和从31.4%降至13.7%（多轮）。

链接：https://arxiv.org/abs/2609.38854

机构：ByteDance Seed（字节跳动Seed）； Tongji University（同济大学）； Peking University（北京大学）

作者：Xu Wan, Wenyue Xu, Shengjie Zhao, Mingyang Sun

AI 总结：针对圆形容器中不规则背包问题的后期装箱瓶颈，提出基于强化学习图策略的故障感知大邻域搜索框架GeoNest，通过配对失败多边形与剩余口袋并诊断阻挡关系，在基准上平均提升利用率约0.9%。

链接：https://arxiv.org/abs/2609.38863

机构：Beihang University（北京航空航天大学）； Communication University of China（中国传媒大学）； Hangzhou Innovation Institute of Beihang University（北京航空航天大学杭州创新研究院）

作者：Zhongman Du, Huiming Zhang, Linlin Yang, Sheng Xu, Baochang Zhang

AI 总结：DAMPER通过冲突条件投影和自适应幅度控制，结合原生演员梯度与时间一致性梯度，减少连续控制中的动作振荡，在12个任务-骨干组合中均降低振荡并保持回报权衡。

链接：https://arxiv.org/abs/2609.38903

机构：KAIST（韩国科学技术院）

作者：Seokmin Ko, Taewon Goo, Kihyuk Hong

AI 总结：针对人类反馈可能被污染的问题，提出加权流式偏好CVaR RLHF算法，结合不确定性加权估计与乐观规划，在对抗翻转下实现分离的遗憾界并降低累积遗憾。

链接：https://arxiv.org/abs/2609.38938

机构：University of California, Davis（加利福尼亚大学戴维斯分校）

作者：Xinyi Ni, Lifeng Lai

AI 总结：本文提出无循环逆强化学习（LFIRL），通过扩散策略编码的动作梯度结构，将奖励学习转化为顺序价值恢复问题，消除策略优化循环，实现2-3倍加速并保持高质量奖励恢复。

链接：https://arxiv.org/abs/2609.38955

机构：Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）； University of Auckland（奥克兰大学）

作者：Yang chen, Yitan Zhang, Michael Witbrock, Shuyue Hu

AI 总结：提出结构感知强化学习框架StructEvo，利用增量结构融合编码器和分层动作网络解决蛋白质定向进化中结构信息整合难题，在两个基准上分别提升9.2%和16.3%，并验证了GFP中的上位效应。

链接：https://arxiv.org/abs/2609.39048

机构：Institute of AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）； Pharmolix Inc.（Pharmolix公司）

作者：Zikun Nie, Suyuan Zhao, Yizhen Luo, Siqi Fan, Zaiqing Nie

AI 总结：本文提出首个计算高效算法，通过状态增强和Huber势重塑奖励，在弱连通假设下实现无限时域平均奖励CMDP的$\sqrt{T}$最优遗憾与约束违反。

链接：https://arxiv.org/abs/2609.39093

机构：KAIST（韩国科学技术院）； Seoul National University（首尔大学）

作者：Kihyun Yu, Seoungbin Bae, Dabeen Lee

AI 总结：T-Router通过可寻址存储库和循环控制器实现计算复用，在8.95B模型上仅用0.466%参数提升推理，超越全参数GRPO和LoRA，平均AIME准确率从48.33升至60.56。

链接：https://arxiv.org/abs/2609.39109

机构：College of Artificial Intelligence, Tsinghua University（清华大学人工智能学院）； State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院通用人工智能国家重点实验室）； Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）

作者：Liuxian Ma, Jiale Dai, Jiaqi Li, Lu Mi

AI 总结：本文提出带有动作分块的演员-评论家算法（AC2），通过评论家对动作块评分实现无需完整轨迹的信用分配，在数学证明任务上以更少计算超越GRPO。

链接：https://arxiv.org/abs/2609.39247

作者：Kaiyue Wen, Luke Bailey, Arvind Mahankali, Tengyu Ma

AI 总结：该研究提出在自动启发式设计中，将在线后训练形式化为上下文相关信号构建，通过替代映射将程序有效性、任务性能和生成上下文转化为更新信号，以提升模型启发式设计能力。

链接：https://arxiv.org/abs/2609.39383

机构：Wenzhou University（温州大学）

作者：Yilun Yuan, Tianyu Zhou, Zhenzhou Tang

AI 总结：本研究探究从策略蒸馏任务向量的可组合性，发现其能与RL教师更新互补，在任务内和任务间均有效组合，且弱独立性能不意味着弱可组合性。

链接：https://arxiv.org/abs/2609.39405

机构：Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）； University of Chinese Academy of Sciences（中国科学院大学）； Ant Group（蚂蚁集团）

作者：Jingang Zhou, Feiyu Han, Han Zhu, Yuyi Zhou, Ruiyang Zhang, Jian Xu, Sirui Gao, Qingpei Guo, Xu-Yao Zhang

AI 总结：本文提出同策略预热（OPW）方法，通过教师监督学生自身交互轨迹进行蒸馏，为智能体RLVR提供有效初始化，理论证明其加速奖励发现并提升最终性能。

链接：https://arxiv.org/abs/2609.39436

机构：Zhejiang University（浙江大学）； Ant Group（蚂蚁集团）

作者：Yitong Qiao, Tiantian He, Lei Liu, Yue Shen, Jian Wang, Jinjie Gu, Zhixuan Chu

AI 总结：提出分层强化学习框架，通过开关扩展、放置与路由细化三操作保持布线有效性，用Gumbel MCTS神经搜索提升EDA联合布线与开关放置的解质量。

链接：https://arxiv.org/abs/2609.39749

机构：LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，巴黎电信学院，巴黎综合理工学院）； Arteris IP（Arteris IP公司）

作者：Dorian Gailhard, Ugo Lecerf, Enzo Tartaglione, Donatello Conte, Jhony H. Giraldo

AI 总结：本文提出CG-OMatG，一种基于等变黎曼流和强化学习的生成模型，用于分子晶体结构预测，通过粗粒化表示和策略梯度微调生成低能结构，在盲测基准上表现优异。

链接：https://arxiv.org/abs/2609.39773

机构：New York University（纽约大学）； University of Minnesota（明尼苏达大学）； University of Florida（佛罗里达大学）

作者：Thomas Egg, Harry Winston Sullivan, Maya M. Martirossyan, Philipp Höllmer, Cheng Zeng, Adrian Roitberg, Mingjie Liu, Richard Hennig, Sapna Sarupria, Ellad B. Tadmor, Stefano Martiniani

AI 总结：针对扩散语言模型因高熵分叉位置导致生成多样性和后训练收益受限的问题，提出混合采样器Fork-dLLM及后训练方法ForkGRPO，在保持并行生成效率的同时，匹配自回归采样的性能并降低训练成本。

链接：https://arxiv.org/abs/2609.39859

机构：University of Amsterdam（阿姆斯特丹大学）； UvA-Bosch Delta Lab, University of Amsterdam（阿姆斯特丹大学-博世三角洲实验室）

作者：Stipe Frković, Metod Jazbec, Christian A. Naesseth

AI 总结：本研究通过离线迷宫实验发现，目标表示质量对性能影响甚微，而当前状态表示才是关键瓶颈，并提出随机傅里叶位置编码显著提升困难导航任务性能。

链接：https://arxiv.org/abs/2609.39901

机构：University of Dhaka（达卡大学）； University of Oxford（牛津大学）

作者：Syed Nazmus Sakib, Abdul Monaf Chowdhury, Nafiul Haque, Shifat E Arman, Md Mehedi Hasan

AI 总结：提出FAHOC分层强化学习框架，通过因子化动作与偏好约束建模患者偏好，在5万共病患者数据上实现QALY改善0.669且不违反偏好。

链接：https://arxiv.org/abs/2609.39911

机构：University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）； University of Tennessee Health Science Center College of Medicine（田纳西大学健康科学中心医学院）； University of Tennessee Medical Center（田纳西大学医学中心）； University of Arkansas（阿肯色大学）

作者：Nafiseh Payani, Soham Das, G. Anthony Wilson, Anahita Khojandi

AI 总结：该研究证明霍华德策略迭代在确定性折扣MDP上具有指数迭代下界，排除其强多项式性，并与单纯形法形成指数分离，揭示算法无政府状态的价格。

链接：https://arxiv.org/abs/2609.40147

机构：Shanghai Jiao Tong University（上海交通大学）； SIMIS（上海数学与交叉学科研究院）； Stanford University（斯坦福大学）

作者：Han Zhong, Yinyu Ye

AI 总结：针对离线强化学习中策略正则化角色耦合问题，提出角色自适应策略优化（RAPO），按价值学习与执行角色独立调整更新系数，在D4RL任务上超越TD3+BC和IQL基线。

链接：https://arxiv.org/abs/2609.40149

机构：Hanyang University（汉阳大学）

作者：Seonvin Cho, Soohyun Choi, Songnam Hong

AI 总结：本文提出PhantomEnvironments，利用纯规则生成的虚构世界环境训练LLM搜索智能体，无需LLM参与生成且零成本，训练出的智能体可迁移至真实多跳搜索基准，并展现出随问题难度线性扩展的搜索预算能力。

链接：https://arxiv.org/abs/2609.40221

机构：Cornell University（康奈尔大学）； Stanford University（斯坦福大学）

作者：Anmol Kabra, Swathi Saravana Selvam, Albert Gong, Chao Wan, Christian Belardi, Dongyoung Go, Katie Z. Luo, Kilian Q. Weinberger

AI 总结：本文提出利用随机探索数据，通过条件能量模型学习时间关系，实现无需策略改进训练的长距离规划，并在迷宫导航和操作规划中验证了多尺度认知地图特性。

链接：https://arxiv.org/abs/2609.38383

机构：UCLA（加州大学洛杉矶分校）； University of Minnesota（明尼苏达大学）； Amazon AGI（亚马逊AGI）； Salesforce Research（赛富时研究院）； Lambda（Lambda公司）； Rice University（莱斯大学）

作者：Deqian Kong, Guangyan Sun, Sheng Cheng, Sirui Xie, Bo Pang, Jianwen Xie, Tony Geng, Caiwen Ding, Ying Nian Wu

AI 总结：提出自回归前沿扩展框架，利用SO(2)等变图神经网络和流匹配模型迭代扩展树结构，在神经元和树木生成中实现高保真形态。

链接：https://arxiv.org/abs/2609.38506

机构：ETH Zurich（苏黎世联邦理工学院）； Leipzig University（莱比锡大学）

作者：Umer Gupta, Saku Peltonen, Martin Ritzert

AI 总结：提出BaryFM流匹配模型，实现Wasserstein单纯形中任意重心的通用逼近，在域适应等4个任务上验证，平均排名优于15种方法。

链接：https://arxiv.org/abs/2609.38547

机构：Sigma Nova

作者：Eduardo Fernandes Montesuma

AI 总结：本文提出一种可微结构学习方法，用于含潜在混杂因子的循环线性高斯模型，通过伯努利门和闭式可微惩罚实现全局一致的结构学习，实验显示恢复误差更低。

链接：https://arxiv.org/abs/2609.38618

机构：EPFL（洛桑联邦理工学院）； Leiden University（莱顿大学）

作者：Sadegh Khorasani, Ali Najar, Saber Salehkaleybar, Negar Kiyavash

AI 总结：针对扩散模型训练数据归因成本高且代理损失不准确的问题，提出基于局部分数差异的TID方法及蒸馏版TIDE，实现毫秒级高效归因，性能优于现有方法。

链接：https://arxiv.org/abs/2609.38776

机构：University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-尚佩恩分校）； Sony AI（索尼AI）； University of Texas at Austin（德克萨斯大学奥斯汀分校）； Sony Group Corporation（索尼集团公司）

作者：Shixuan Liu, Joan Serrà, Kin Wai Cheuk, Jinju Kim, Woosung Choi, Yukara Ikemiya, Wei-Hsiang Liao, Jiaqi W. Ma, Yuki Mitsufuji

AI 总结：本研究通过pass@k指标揭示扩散蒸馏中训练目标对分布覆盖的影响，发现分布匹配目标牺牲大预算覆盖，而一致性和轨迹目标更好地保留教师覆盖。

链接：https://arxiv.org/abs/2609.38853

机构：Rice University（莱斯大学）； Apple（苹果公司）

作者：Yifei Wang, Xiaoyu Wu, Tsu-Jui Fu, Chen Chen, Liang-Chieh Chen, Zhe Gan, Chen Wei

AI 总结：针对噪声潜在结构下的流匹配问题，提出空间正则ReLU速度类，证明样本复杂度由潜在维度主导，无需精确低维支撑即可获得Wasserstein收敛保证。

链接：https://arxiv.org/abs/2609.38918

机构：Zhongtai Securities Institute for Financial Studies, Shandong University（山东大学中泰证券金融研究院）

作者：Lifeng Hao, Shaolin Ji

AI 总结：提出基于噪声空间几何的离线多目标优化方法，通过递归特征机估计敏感方向并位移初始噪声，以低采样成本引导扩散模型生成帕累托前沿解，在47个任务上取得最佳平均超体积排名。

链接：https://arxiv.org/abs/2609.38920

机构：Halıcıoğlu Data Science Institute, UC San Diego（加州大学圣迭戈分校哈勒奇奥卢数据科学研究所）； Department of Computer Science & Engineering, UC San Diego（加州大学圣迭戈分校计算机科学与工程系）

作者：Yuan Lu, Esha Singh, Yi-An Ma, Yusu Wang

AI 总结：提出基于先验E值的可审计GP停止规则，通过在线测试候选包络并保留有效上界，在保持功效的同时显著降低错误认证风险。

链接：https://arxiv.org/abs/2609.39123

机构：Meta Platforms（Meta平台）

作者：Ami Tavory, Noa Cohen

AI 总结：本文提出CDMD，一种跨数据集混合类型扩散模型，直接在混合特征空间上联合训练，通过模式受限反向过程与共享Transformer去噪器，在七个数据集上实现最优平均生成质量，并验证了预训练的可迁移性。

链接：https://arxiv.org/abs/2609.39124

机构：Munich Data Science Institute, Technical University of Munich（慕尼黑数据科学研究所，慕尼黑工业大学）； SAP SE（SAP公司）

作者：Mohamed Amine Ketata, Maximilian Schambach, Stephan Günnemann

AI 总结：本文提出在小波域进行流匹配以生成多变量时间序列，通过多层小波系数实现隐式从粗到细的生成，并结合通道令牌变换器建模跨通道依赖，在多个基准上取得最优或并列最优结果。

链接：https://arxiv.org/abs/2609.39374

机构：ETH Zurich（苏黎世联邦理工学院）

作者：Lucas Poinsignon, Jorge da Silva Gonçalves, Samuel Ruipérez-Campillo, Julia E. Vogt

AI 总结：本文研究高斯流匹配中有限步采样的误差，证明标准CondOT调度可消除主要中点误差，并构造以1/S速率逼近其噪声调度的调度以实现精确采样。

链接：https://arxiv.org/abs/2609.39488

机构：Technion（以色列理工学院）

作者：Ron Levy, Michael Elad

AI 总结：本研究提出CIDER-FM，一种结合观测与替代干预数据、利用干预感知表示和三轴注意力机制预测条件干预分布的因果基础模型，实验证明其优于仅用观测数据的方法。

链接：https://arxiv.org/abs/2609.39523

机构：University of Cambridge（剑桥大学）； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）； Prior Labs； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院盖茨比计算神经科学单元）； ELLIS Institute（ELLIS研究所）； The Alan Turing Institute（艾伦·图灵研究所）

作者：Yuche Gao, Arik Reuter, Siyuan Guo, Anish Dhir, Bernhard Schölkopf, Adrian Weller

AI 总结：本研究提出使用StyleGAN2的中间w空间进行集成数据同化，相比传统z空间方法，在非高斯地质参数化中提高了历史拟合效果和地质真实性。

链接：https://arxiv.org/abs/2609.39626

作者：Marcio A. Sampaio, Paulo H. Ranazzi, Martin J. Blunt

AI 总结：MIND通过边际传输和条件扩散分离边际与依赖建模，在混合类型表格生成中提升边际保真度和依赖保留，实现稳定平衡。

链接：https://arxiv.org/abs/2609.39628

机构：Centre for the Science of Learning & Technology (SLATE), University of Bergen（卑尔根大学学习与技术科学中心（SLATE））

作者：Pengfei Li, Mohammad Khalil

AI 总结：本文提出从尺度空间动力学视角研究扩散模型，通过临界尺度σ_c量化样本记忆持久性，实验验证其能识别重复、过拟合及离群点导致的记忆，并提供可解释的度量。

链接：https://arxiv.org/abs/2609.39648

机构：Institute of Science and Technology Austria (ISTA)（奥地利科学技术学院）

作者：Cristina López Amado, Marco Fumero, Francesco Locatello

AI 总结：针对图信号谱能量不均导致扩散模型噪声范围过大的问题，提出GRCD方法，通过模式依赖时钟实现SNR均衡，在五个数据集上显著降低aMMD并提升采样效率。

链接：https://arxiv.org/abs/2609.39658

机构：Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）

作者：Jinwei Li, Daniel Tenbrinck

AI 总结：针对扩散模型大转小在线策略蒸馏失效问题，提出Fixed-State KL度量揭示分布差距根源，并设计GFD-OPD方法，通过折叠引导减少误差放大，实现高效且最优的跨尺度蒸馏。

链接：https://arxiv.org/abs/2609.39692

机构：Hefei University of Technology（合肥工业大学）； Tsinghua University（清华大学）； Zhipu AI（智谱AI）

作者：Zhenxing Zhang, Jiayan Teng, Wenxu Wu, Zhuoyi Yang, Jiazheng Xu, Wendi Zheng, Jie Tang, Dan Guo, Meng Wang

AI 总结：提出Fenchel倾斜流控制（FTFC），通过解耦效用优化与生成模型拟合，利用Fenchel对偶和加权去噪实现高效微调，在图像和分子生成基准上优于基线且效率提升高达20倍。

链接：https://arxiv.org/abs/2609.40030

机构：Applied AI Institute（应用人工智能研究所）； MBZUAI（穆罕默德·本·扎耶德人工智能大学）

作者：Maksim Bobrin, Maksim Zhdanov, Dmitry Dylov

AI 总结：本文提出统计理论，揭示正则化几何与信号稀疏性如何控制插值附近的泛化，证明零一律并刻画泛化增益，实验验证了理论预测，并发现最小范数插值的统计不稳定性。

链接：https://arxiv.org/abs/2609.38453

机构：ETH Zürich（苏黎世联邦理工学院）； Institute of Science and Technology Austria（奥地利科学技术研究所）； Harvard University（哈佛大学）

作者：Gil Kur, Ileana Rugina, Clémentine Carla Juliette Dominé, Marco Mondelli

AI 总结：本研究刻画了样本选择偏差下回归可识别的最小条件，证明即使选择过滤器不可识别回归仍可识别，并给出有限样本保证与高效算法，适用于拍卖、劳动力市场等复杂选择场景。

链接：https://arxiv.org/abs/2609.38608

机构：Yale University（耶鲁大学）； Stanford University（斯坦福大学）

作者：Vikram Kher, Jane H. Lee, Anay Mehrotra, Manolis Zampetakis

AI 总结：本文研究多教师顺序蒸馏中前向与反向KL散度聚合目标的差异，揭示在线策略蒸馏的益处与脆弱性机制，并建立对数遗憾界。

链接：https://arxiv.org/abs/2609.38666

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

作者：Qiwei Di, Xuheng Li, Kaixuan Ji, Chenggong Zhang, Heyang Zhao, Quanquan Gu

AI 总结：本研究通过分析两层线性网络和非线性模拟，发现神经网络的表征相似性与功能相似性可分离，且参数鲁棒性限制表征灵活性，表明表征对齐具有独立于功能对齐的计算意义。

链接：https://arxiv.org/abs/2609.38998

机构：University of Oxford（牛津大学）； University College London（伦敦大学学院）

作者：Lukas Braun, Erin Grant, Andrew M. Saxe

AI 总结：针对常步长SGD，证明了其不变分布与高斯分布的锐利逼近，结合分块比较与收缩技术，并通过四状态例子验证下界。

链接：https://arxiv.org/abs/2609.39144

机构：PIT IN Corp.（PIT IN 公司）

作者：Junghoon Seo

AI 总结：本文通过雅可比秩刻画决策聚焦学习的更新限制，证明秩一雅可比导致梯度共线，实验显示DFL在多种任务中增益有限，仅背包问题在修正后有效，强调决策质量需实证检验。

链接：https://arxiv.org/abs/2609.39261

机构：University of Southern California（南加州大学）； University of Michigan（密歇根大学）

作者：Aojie Yuan, Haiyue Zhang, Zijian Su

AI 总结：本研究建立每域样本需求标准，揭示训练域数量与每域样本数间的反比线性规律，为数据充分性提供理论指导，并证明域内学习与域外泛化的紧密关系。

链接：https://arxiv.org/abs/2609.39336

作者：Hong Zheng

AI 总结：本文提出Throttle算法，通过指数降权快速客户端更新，统一了异步SGD与同步拜占庭鲁棒SGD，理论分析收敛性并实验验证了鲁棒性与性能提升。

链接：https://arxiv.org/abs/2609.39357

机构：Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）； National University of Singapore（新加坡国立大学）； Toyota Motor Corporation（丰田汽车公司）； University of Zurich（苏黎世大学）

作者：Kaoru Otsuka, Maxime Meyer, Yuki Takezawa, Makoto Yamada, Anastasia Koloskova

AI 总结：本研究证明神经网络在种群损失平台期仍能学习更优表示，通过理论分析和实验展示了教师子空间与AGOP特征空间对齐的显著提升及重拟合误差的降低。

链接：https://arxiv.org/abs/2609.39408

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

作者：Akash Kumar

AI 总结：本研究分析结合单步TD更新的策略镜像下降算法，证明其在有限折扣MDP中全局线性收敛，并在随机设置下给出无需轨迹重置的样本复杂度保证。

链接：https://arxiv.org/abs/2609.39837

机构：Fudan University（复旦大学）

作者：Qipei Chen, Wenye Li, Yule Sun, Ke Wei

AI 总结：本文提出偏差探针框架及主动审计器ALeBi，在不重建模型的情况下高效估计多群体公平性指标，并揭示模型机密性与可靠审计间的权衡。

链接：https://arxiv.org/abs/2609.40034

机构：Équipe Scool, Univ. Lille, Inria, CNRS, Centrale Lille, UMR 9189- CRIStAL（里尔大学、法国国家信息与自动化研究所、法国国家科学研究中心、里尔中央理工学院、CRIStAL实验室）

作者：Ayoub Ajarra, Debabrota Basu

AI 总结：提出基于重心蒸馏的归纳式框架，将转导式GW-MDS嵌入转化为显式神经映射，在未见样本上保持几何结构并优于直接神经GW训练。

链接：https://arxiv.org/abs/2609.40047

机构：Instituto Federal do Ceará (IFCE)（塞阿拉联邦学院）； Federal University of Ceará (UFC)（塞阿拉联邦大学）； Sigma Nova

作者：Rafael Pereira Eufrazio, Eduardo Fernandes Montesuma, Charles Casimiro Cavalcante

AI 总结：本文提出一种基于惩罚重述的加速一阶算法，利用平滑强凸正则化器生成稀疏部分最优传输计划，在颜色迁移、域适应和点云配准中实现更低成本、更高稀疏性和更快收敛。

链接：https://arxiv.org/abs/2609.40075

机构：Hanoi University of Science and Technology（河内理工大学）； High School for the Gifted（天才高中）； VinUniversity； Rochambeau French International School（罗尚博法语国际学校）； RMIT University（皇家墨尔本理工大学）； Aalto University（阿尔托大学）； Linköping University（林雪平大学）

作者：Khoa Nguyen, Dung T. Nguyen, Thong Huynh, Hoang-Hiep Nguyen-Mau, Anh Nguyen, Minh Ngoc Dinh, Juho Kannala

AI 总结：本研究通过理论分析和nanoGPT实验，揭示了学习率与批次大小联合调度对LLM预训练幂律学习曲线的影响，提出3+3(+2)标度律机制并验证其预测能力。

链接：https://arxiv.org/abs/2609.40148

机构：University of Wisconsin–Madison（威斯康星大学麦迪逊分校）； Shanghai Jiao Tong University（上海交通大学）

作者：Yichen Wang, Fanghui Liu, Yudong Chen

AI 总结：本研究探讨DP-SGD下权重共享对仅解码器LLM的影响，发现未共享嵌入在效用和内存效率上均优于权重共享，为隐私保护训练提供了更优的架构选择。

链接：https://arxiv.org/abs/2609.40335

机构：American University of Beirut（贝鲁特美国大学）

作者：Razan El Mais, Ali Chehab, Ibrahim Issa, Razane Tajeddine

AI 总结：K2P提出无标签知识到提示蒸馏方法，通过合成、细化及答案一致性选择提示，在无真实标签下提升冻结学生模型推理性能，并理论保证准确性。

链接：https://arxiv.org/abs/2609.38898

机构：University of Georgia（佐治亚大学）

作者：Yingchuan Zhang, Haoran Lu, Wenxuan Zhong, Ping Ma

AI 总结：本文提出灰盒设置下的自适应自洽性方法，通过分布值观测的序列模式识别和ASC-D投注停止规则，在MMLU-Redux上显著减少推理轨迹并提高正确认证率。

链接：https://arxiv.org/abs/2609.38931

机构：New York University（纽约大学）； Columbia University（哥伦比亚大学）； Zhejiang University（浙江大学）

作者：Jingkai Huang, Yunfan Zhang, Will Ma, Weihua Zhou, Zhengyuan Zhou

AI 总结：本研究通过理论和实验证明，偏好蒸馏中较小冻结模型生成的拒绝样本比学生自生成样本更有效且成本更低，并提出混合来源、重分配及低似然选择等干预策略以提升训练效果。

链接：https://arxiv.org/abs/2609.38987

机构：LinkedIn（领英）； University of California, Davis（加州大学戴维斯分校）； Arizona State University（亚利桑那州立大学）； Clemson University（克莱姆森大学）； Pennsylvania State University（宾夕法尼亚州立大学）； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）

作者：Rui Cai, Wenhui Zhu, Xiwen Chen, Jincheng Cao, Han Yu, Shayan Mohajer Hamidi, Zelin He, Qiyao Ma, Daiwei Chen, Xuanzhao Dong, Yuanda Xu, Jelena Markovic-Voronov, Kayhan Behdin, Zhengze Zhou, Ran He, Alborz Geramifard, Rohit Jain, Zhe Zhao

AI 总结：本文提出切换线性注意力（SwiLA），通过在线期望最大化在混合线性回归中实现动态组件选择，在保持线性注意力固定内存的同时增强表达能力，并在多个基准上接近或超越 softmax 注意力。

链接：https://arxiv.org/abs/2609.39034

机构：Stanford University（斯坦福大学）

作者：Hyun Dong Lee, Xavier Gonzalez, Nicolas Zucchet, E. Kelly Buchanan, Emily B. Fox, Scott W. Linderman

AI 总结：提出QATFactory框架，通过部署对齐的量化感知蒸馏和强化学习，在BF16训练中模拟低精度量化，支持多种格式，显著提升LLM部署质量，并发现训练策略因格式而异。

链接：https://arxiv.org/abs/2609.39223

机构：Together AI； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； The University of Texas at Austin（德克萨斯大学奥斯汀分校）

作者：Weili Xu, Jisen Li, Yuqing Jian, Chenxi Li, Zhizhou Sha, Yifan Yu, Qingyang Wu, Chenfeng Xu, Zhongzhu Zhou, Tianyi Zhang, Ben Athiwaratkun

AI 总结：PatchKV通过权重空间补偿，无需训练即可提升KV缓存压缩方法在高压缩比下的长上下文推理性能。

链接：https://arxiv.org/abs/2609.39329

机构：KAIST（韩国科学技术院）

作者：Chanryeol Lee, Chanhyuk Lee, Yeonwoo Choi, Donggyun Kim, Seunghoon Hong

AI 总结：本文提出任务保持知识蒸馏（TPKD），在保持标签梯度完整的同时最小修正条件梯度，以在完全模仿受阻时仍能有效传递知识，并在CIFAR-100和CLINC150上超越标准蒸馏。

链接：https://arxiv.org/abs/2609.39338

机构：Huazhong University of Science and Technology（华中科技大学）

作者：Qianfeng Yuan, Wenbing Tao

AI 总结：本文论证反向传播中张量读取策略（反向状态策略）是学习算法的一部分，通过理论推导和实验证明复制精度与最终损失无法判断其正确性，需逐次使用检查。

链接：https://arxiv.org/abs/2609.39813

机构：Beijing Tongming Lake Information Technology Application Innovation Center (TLAIC)（北京通明湖信息技术应用创新中心）； Fudan University Institute of Systems for Advanced Computing（复旦大学先进计算系统研究所）； Harbin Institute of Technology（哈尔滨工业大学）； Key Lab of HCST (PKU), MOE（北京大学高可信软件技术教育部重点实验室；北京大学计算机学院）； SCS, Peking University（上海开放计算系统研究所）； Shanghai Institute of Systems for Open Computing

作者：Shuxiao Xie, Shuyang Xie, Dezhi Ran, Wei Yang, Tao Xie

AI 总结：本文提出 Unmerge 算法，通过任务算术将机器遗忘视为逆操作，利用低秩遗忘基分解和三个优化目标，在保持高效的同时显著提升遗忘质量，并适用于多种模型规模。

链接：https://arxiv.org/abs/2609.38895

机构：Purdue University（普渡大学）

作者：Haoran Tang, Andrew Tan, Rajiv Khanna

AI 总结：针对LLM在特定上下文下产生的欺骗行为，提出基于对比遗忘单元和压力感知反事实目标的PACT方法，在不损害良性上下文使用的前提下，将保留欺骗率从超50%降至低于3%。

链接：https://arxiv.org/abs/2609.38909

机构：Purdue University（普渡大学）

作者：Haoran Tang, Rajiv Khanna

AI 总结：提出HO-FL混合阶联邦学习框架，通过按内存预算划分模型为ZO和FO段，在异构边缘设备上平衡内存与收敛，实现接近全FO性能并降低内存需求。

链接：https://arxiv.org/abs/2609.39074

机构：University of Hong Kong（香港大学）； City University of Hong Kong（香港城市大学）

作者：Qiyuan Chen, Xian Wu, Yanan Ma, Xianhao Chen

AI 总结：针对联邦学习中掉队客户端和非独立同分布数据导致的收敛慢问题，提出联合客户端与训练数据选择算法，在CIFAR-100上显著提升收敛速度和模型准确率。

链接：https://arxiv.org/abs/2609.39250

机构：Technical University of Berlin（柏林工业大学）； The University of Osaka（大阪大学）

作者：Muzaffer Citir, Hiroki Nishikawa, Sangyoung Park

AI 总结：本研究将形式化方法（抽象解释）推广至差分隐私的预测与学习，提出抽象梯度采样算法，提供更严格的隐私保证并首次在无界灵敏度场景给出有限隐私界限。

链接：https://arxiv.org/abs/2609.39629

机构：Imperial College London（帝国理工学院）

作者：Mihnea Ghitu, Matthew Wicker

AI 总结：针对联邦学习均匀压缩浪费带宽的问题，提出逐层预算化自适应传输（LBAT），将通信视为资源分配，动态估计层价值并用动态规划优化秩和位配置，在极端预算下优于现有基线。

链接：https://arxiv.org/abs/2609.39646

机构：Centre for the Science of Learning & Technology (SLATE), University of Bergen（卑尔根大学学习与技术科学中心（SLATE））

作者：Pengfei Li, Mohammad Khalil

AI 总结：本研究提出将有损压缩的响应作为安全信号，通过压缩足迹区分诚实与恶意更新，并开发CRAFT鲁棒聚合方法，在无需额外通信下有效防御模型投毒攻击。

链接：https://arxiv.org/abs/2609.40312

机构：Stevens Institute of Technology（史蒂文斯理工学院）

作者：Sachi Shome, William Eiers

AI 总结：本文提出模拟器精化扩散（SRD），结合可微代理与不可微模拟器，解决扩散模型在PCB逆向设计中难以满足电磁规格的问题，实验显示S参数匹配度显著提升。

链接：https://arxiv.org/abs/2609.38363

机构：University of Virginia（弗吉尼亚大学）； Arena Physica

作者：Jinhao Liang, Jacob K. Christopher, Michael Frei, Tommaso Dreossi, Nando Fioretto

AI 总结：本研究提出MoFA，通过固定注意力头中softmax与sigmoid比例作为内在归纳偏置，发现该比例在分布内影响甚微，但在零样本分布偏移下显著影响模型行为，并沿文本类型轴解释78.3%的方差。

链接：https://arxiv.org/abs/2609.39188

机构：Georgia Institute of Technology（佐治亚理工学院）； Seoul National University Hospital（首尔大学医院）

作者：Dong Gyun Kang, Megha Thukral, Kwangsoo Kim

AI 总结：针对迭代式智能体自蒸馏中的性能崩溃，提出ReSAIL方法，通过选择性蒸馏和保留PI条件行为，在ALFWorld和TextCraft上实现最终轮成功率平均绝对提升22.5%。

链接：https://arxiv.org/abs/2609.39306

机构：Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）

作者：Shengjie Jin, Hengbo Xu, Zelong Sun, YuJie Guo, Zhiwu Lu

AI 总结：本研究系统评估不同规模语言模型在问答任务中的自我评估置信度，发现模型规模和领域特异性对置信度可靠性影响不大，小型模型也能合理自我评估，适合资源受限部署。

链接：https://arxiv.org/abs/2609.39478

机构：Technical University of Munich（慕尼黑工业大学）； Siemens AG（西门子股份公司）； LMU Munich（慕尼黑大学）； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）

作者：Idil Kapikiran, Thomas Decker, Thomas Runkler

AI 总结：针对在线对抗黑盒蒸馏中GRPO优势构建的目标不匹配问题，提出GRGC两阶段框架，通过高斯分组最优传输校准批评者奖励几何和策略侧组功率调制，提升优势构建的有效性，实验验证其有效性且开销可忽略。

链接：https://arxiv.org/abs/2609.39757

机构：University of Science and Technology of China（中国科学技术大学）； Zhejiang University（浙江大学）

作者：Xiao Cui, Mo Zhu, Yulei Qin, Yuze Wu, Wengang Zhou, Houqiang Li

AI 总结：本文提出概率对抗训练，通过最小化距离分布与分类器分布的重叠，以KL下界优化概率鲁棒性，实验证明其持续提升鲁棒性并可增强非概率方法。

链接：https://arxiv.org/abs/2609.39798

机构：University of Warwick（华威大学）； Wuhan University（武汉大学）

作者：Andi Zhang, Xingyu Zhao, Siddartha Khastgir

AI 总结：本研究通过统一实验揭示递归推理模型性能的关键在于优化策略而非架构，提出稳定训练方案，构建13.6M参数模型，在算法任务上显著超越现有基线。

链接：https://arxiv.org/abs/2609.39967

机构：RND NLP, DAIMLD（RND NLP，DAIMLD）

作者：Yuliana Shakhvalieva, Dmitrii Kharchev, Viacheslav Bezrukov, Inessa Fedorova, Dmitry Bocharov, Ivan Oseledets, Valerii Ternovskii

AI 总结：针对RLVR中GRPO对token统一分配优势的局限，提出SCAPO，利用半事实稳定性进行细粒度信用分配，提升LLM推理准确率与泛化能力。

链接：https://arxiv.org/abs/2609.40360

机构：Zhejiang University（浙江大学）； Westlake University（西湖大学）； Shanghai Innovation Institute（上海创新研究院）； Shanghai AI Laboratory（上海人工智能实验室）

作者：Junshu Pan, Zhizhang Fu, Shulin Huang, Yiran Ding, Zifan Cheng, Wenqi Shao, Qiaosheng Zhang, Yue Zhang

AI 总结：本文从动力系统视角揭示图Transformer去噪器随深度增加而耗散导致梯度消失与表示坍缩，提出稳定非耗散置换等变GT及阻尼机制，实验证明非耗散动力学对深度图生成性能的关键作用。

链接：https://arxiv.org/abs/2609.39739

机构：University of Pisa（比萨大学）

作者：Luca Miglior, Alessio Gravina, Davide Bacciu

AI 总结：针对多信道MANET中动态多跳场景，提出基于消息传递GNN的去中心化功率分配优化框架MANET-GNN，以端到端吞吐量最大化为训练目标，仅用局部CSI，性能接近集中式方法。

链接：https://arxiv.org/abs/2609.40170

机构：Ben-Gurion University of the Negev（内盖夫本-古里安大学）

作者：Tomer Alter, Nir Shlezinger, Michael Segal

AI 总结：本文针对循环神经网络持续学习动力系统时的灾难性遗忘问题，提出持续可回收单元门控（CRUG），通过紧凑分配和前向迁移节约容量，实现零遗忘并达到最优重构-容量权衡。

链接：https://arxiv.org/abs/2609.38356

机构：Heidelberg University（海德堡大学）； Central Institute of Mental Health (CIMH)（中央精神健康研究所）； University of Tübingen（蒂宾根大学）

作者：Sima Hashemi, Daniel Durstewitz, Georgia Koppe

AI 总结：ReSCENE通过客户端上传数据替代物并由服务器重放，结构性缓解联邦持续学习中的灾难性遗忘，在多个数据集上显著提升准确率并大幅降低通信与计算开销。

链接：https://arxiv.org/abs/2609.38833

机构：Texas A&M University（德克萨斯A&M大学）； Inha University（仁荷大学）

作者：Sungmin Kang, Zhengzhong Tu, Sunwoo Lee

AI 总结：TALON通过为每个增量任务分配独立LoRA教师并蒸馏至统一学生，实现推理高效的少样本类增量学习，在四个基准上取得领先精度且大幅降低部署参数与推理时间。

链接：https://arxiv.org/abs/2609.39390

机构：Beihang University（北京航空航天大学）； Beijing University of Posts and Telecommunications（北京邮电大学）

作者：Hongwei Zhao (School of Computer Science and Engineering, Beihang University), Rui Liu (School of Computer Science and Engineering, Beihang University), Yansong Liu (School of Computer Science and Engineering, Beihang University), Zhiyuan Zou (School of Computer Science and Engineering, Beihang University), Yong Chen (School of Computer Science, Beijing University of Posts and Telecommunications)

AI 总结：本研究首次为小样本学习中的域泛化问题下的结构风险最小化提供了理论保证，基于稳定性推导了紧致的学习与泛化误差界，并探讨了其在深度学习中的适用性。

链接：https://arxiv.org/abs/2609.39512

作者：Hong Zheng

AI 总结：针对类增量学习中的灾难性遗忘问题，提出双曲原型路由框架，通过为每个任务分配LoRA专家并在庞加莱球上进行测地原型匹配，实现无重放的高效学习，在标准及少样本基准上显著提升准确率。

链接：https://arxiv.org/abs/2609.39550

机构：Beihang University（北京航空航天大学）； Beijing University of Posts and Telecommunications（北京邮电大学）

作者：HongWei Zhao (Beihang University), Rui Liu (Beihang University), Yong Chen (Beijing University of Posts and Telecommunications)

AI 总结：提出RobECG-CL秩感知对比学习框架，通过逐步退化视图训练，提升纸质心电图在严重退化与少样本迁移下的鲁棒性，并在医院数据上取得最佳宏AUROC。

链接：https://arxiv.org/abs/2609.39581

机构：Uppsala University（乌普萨拉大学）； Nanjing Medical University（南京医科大学）； The First Affiliated Hospital with Nanjing Medical University（南京医科大学第一附属医院）

作者：Yinghao Xie, Zhenbang Dai, Haojun Wang, Jinyu Cai, Fabio Bonassi, Hongwu Chen, Johan Sundström, Jiawei Li, Antônio H. Ribeiro

AI 总结：本文提出首个时间序列源自由通用域适应基准，发现未知样本拒绝阈值敏感问题，并设计即插即用自动阈值模块，实验验证其有效性并指出基础模型并非总是优于经典骨干。

链接：https://arxiv.org/abs/2609.39810

机构：Univ Rouen Normandie, INSA Rouen Normandie, Université Le Havre Normandie, Normandie Univ, LITIS UR 4108（鲁昂大学、INSA鲁昂、勒阿弗尔大学、诺曼底大学、LITIS UR 4108）

作者：Romain Mussard, Fannia Pacheco, Maxime Berar, Paul Honeine, Gilles Gasso

AI 总结：提出DLEPEM框架，通过为每个增量任务分配LoRA专家并集成原型匹配，解决类增量学习中的干扰与对齐问题，在标准及少样本基准上表现强劲。

链接：https://arxiv.org/abs/2609.39839

机构：School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）

作者：Hongwei Zhao, Rui Liu, Yansong Liu (School of Computer Science and Engineering, Beihang University)

AI 总结：本文提出一种可靠性感知的检查点重选方法，在源准确率约束下利用可靠性指标排序，无需目标数据即可提升域泛化中目标域的概率质量。

链接：https://arxiv.org/abs/2609.39934

机构：Shenzhen University（深圳大学）； Xiamen University（厦门大学）； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））； Macao Polytechnic University（澳门理工大学）； Fudan University（复旦大学）； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）

作者：Jinshi Liu, Jiahao Li, Pan Liu, Yanfeng Li, Rui Qian, Zhao Tong, Yue Sun, Tao Tan

AI 总结：提出GENSCRIPT纯推理流水线，通过统计画像和语言模型推断约束，无需训练即可生成表格、时序和关系型合成数据，兼顾效率与保真度。

链接：https://arxiv.org/abs/2609.38414

机构：Betterdata AI； National University of Singapore（新加坡国立大学）； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； KAJIMA Technical Research Institute Singapore（鹿岛技术研究所新加坡分所）

作者：Zilong Zhao, Abdul Raheem, Jiayu Li, Sohei Arisaka, Darius Lim Hong Yi, Milad Abdollahzadeh, Uzair Javaid, Biplab Sikdar

AI 总结：ReLaG是一个模态无关的可扩展框架，通过层次潜变量模型和社区检测推断样本关系组，生成独立训练-测试划分，在分子和蛋白质数据上匹配关系感知方法且扩展性更优，并提供无标签分辨率适应和有效规模估计。

链接：https://arxiv.org/abs/2609.38538

机构：Université Laval（拉瓦尔大学）

作者：Anthony Lavertu, Jacob Cote, Sophie Gobeil, Jacques Corbeil, Isabeau Premont-Schwarz, Pascal Germain

AI 总结：FlexRouter通过行列式点过程建模模型互补性，以覆盖率最大化为目标，自适应选择模型子集，在RouterEval上实现更高覆盖率和更低冗余，同时保持灵活推理成本。

链接：https://arxiv.org/abs/2609.38585

机构：Virginia Tech（弗吉尼亚理工大学）； University of Southern California（南加州大学）； Adobe Research（Adobe研究院）； Dolby Labs（杜比实验室）

作者：Wang Wei, Harry Yang, Tiankai Yang, Samyadeep Basu, Hongjie Chen, Andy Zhao, Franck Dernoncourt, Ryan A. Rossi, Hoda Eldardiry

AI 总结：该研究提出ChartDensity-Bench基准，通过控制图表密度评估多模态大语言模型从复合图表中重建数值数据的能力，发现密度增加导致重建性能普遍下降，且不同模型退化程度差异显著。

链接：https://arxiv.org/abs/2609.38781

机构：iSoftStone AI Research Lab (ISSAIR)（软通动力AI研究实验室）； iSoftStone（软通动力）

作者：Xinhe Wu, Yadong Jin

AI 总结：本研究通过蛋白质折叠任务构建FoldingCorpus数据集和Fold2Reason后训练方法，利用离散结构与连续几何双信号，显著提升模型在空间、图、科学及通用推理等10项基准上的表现，证明结构密集科学数据可系统增强语言模型的广泛推理能力。

链接：https://arxiv.org/abs/2609.38879

机构：Shanghai Jiao Tong University（上海交通大学）； Fudan University（复旦大学）； Shanghai Innovation Institute（上海创新研究院）； Northeastern University（东北大学）

作者：Yong Liu, Zhanpeng Shi, Yizhou Dang, Zhongyue Zhang, Xiaoliang Shi, Zhijian Wei, Shuangjia Zheng

AI 总结：提出物理信息分组数据处理（PI-GMDH）方法，在求解中自适应构建函数表示，通过首次变分和块坐标阻尼Gauss-Newton优化，在Taylor-Green基准上实现高精度，优于固定结构方法。

链接：https://arxiv.org/abs/2609.39291

作者：Mykhailo Minin

AI 总结：针对开放权重大语言模型在地理推理中忽略外部空间上下文的问题，提出基于步行街道网络的空间上下文检索流程，并构建忠实性基准，评估模型对简报的依赖与对植入错误前提的抵抗能力。

链接：https://arxiv.org/abs/2609.39437

机构：Urban Geo Analytics（城市地理分析）

作者：Joan Perez

AI 总结：提出结合低秩初始化与随机森林细化的混合插补方法NuclearForest和SoftForest，在保持插补精度的同时，显著降低计算成本，实现高效稳健的表格数据插补。

链接：https://arxiv.org/abs/2609.39613

机构：Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）

作者：Jinwei Li, Michelle Bruch, Daniel Tenbrinck

AI 总结：RiboUnmix提出一种概率多数据集框架，通过分离共享序列依赖信号与实验效应，从有偏含噪的Ribo-seq数据中恢复真实翻译动态，并在合成与真实基准上优于基线。

链接：https://arxiv.org/abs/2609.39644

机构：University of Vienna（维也纳大学）

作者：Gabriele Martino, Denis Skibinski, Ivo L. Hofacker, Sebastian Tschiatschek

AI 总结：NodeGround基准在51个数据集上统一评估图基础模型与监督方法，发现精心调优的GNN总体更优，预训练复用尚不能广泛提供更强预测或更低成本。

链接：https://arxiv.org/abs/2609.39673

机构：Nums AI

作者：Jinmo Lee, Dooho Lee, Minho Jeong, Jaemin Yoo

AI 总结：CNCGEN提出一个面向三轴加工的数据集与学习框架，通过持久化制造对象和加工状态更新，生成操作与刀具路径，并用代理验证器反馈，提升工件几何质量并减少残余材料与过切。

链接：https://arxiv.org/abs/2609.39738

作者：Xiaolei Zhou, Boyi Lin, Yuchao Feng, Jianwei Zheng

AI 总结：针对图学习中多智能体协调缺乏系统研究的问题，提出GraphMAS基准，统一评估七种协调方法，发现专家分解与实例自适应选择能显著提升性能与效率。

链接：https://arxiv.org/abs/2609.39777

机构：New York University Shanghai（上海纽约大学）； New York University（纽约大学）； Northwestern University（西北大学）

作者：Jiayi Yang, Yifang Chen, Yuanfu Sun, Xinyan Ge, Qiaoyu Tan

AI 总结：RainAtlas是一个覆盖三大洲、含约21万对ERA5与观测数据的2公里网格多洲降水降尺度数据集，用于基准测试机器学习模型并揭示跨区域泛化差异。

链接：https://arxiv.org/abs/2609.39833

机构：IVADO； Université de Montréal（蒙特利尔大学）； McGill University（麦吉尔大学）； connAIx Research School, Tübingen AI Center, University of Tübingen（蒂宾根大学connAIx研究学院，蒂宾根AI中心）； Cluster of Excellence Machine Learning, University of Tübingen（蒂宾根大学机器学习卓越集群）； Mila - Quebec AI Institute（Mila-魁北克人工智能研究所）

作者：Pierre-Louis Lemaire, Luca Schmidt, Wietze Suijker, Alex Hernandez-Garcia, David Rolnick

AI 总结：本研究通过允许查询-键尺度不等，完善了 RoPE 长上下文失败理论，提出 RoPE Profiler 诊断工具，并发现推理任务多受语义反转、检索任务多受位置不敏感影响，通过高频重缩放可显著提升准确率。

链接：https://arxiv.org/abs/2609.39929

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

作者：Yuyang Wu, Yufeng Du, Hao Peng

AI 总结：提出cua-speedrun，一个标准化基准测试框架，用于评估计算机使用智能体的速度与效率，通过统一基础设施和任务集，发现推理努力、环境延迟等因素对性能、速度和成本的影响，并支持高效基准测试。

链接：https://arxiv.org/abs/2609.40284

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

作者：Pranjal Aggarwal, Lawrence Keunho Jang, Sean Welleck, Daniel Fried, Ruslan Salakhutdinov, Jing Yu Koh

AI 总结：PMosFM 提出预处理流形匹配框架，通过流形解码器编码约束并利用几何预处理器与协方差变换，实现一步物理约束生成，降低训练和采样成本。

链接：https://arxiv.org/abs/2609.40287

机构： Westlake University（西湖大学）

作者：Zhangyong Liang, Haibin Ling

AI 总结：提出一种无数据物理信息神经算子，仅用输运残差和几何约束训练，将初始界面映射到完整时空轨迹，在约束有效时比监督基线更优，且混合分支用更少参考解超越监督分支。

链接：https://arxiv.org/abs/2609.38195

机构：NED University of Engineering and Technology（NED工程技术大学）

作者：Muhammad Akbar Khan

AI 总结：针对时间序列预测中极端值干扰集成效果的问题，提出CAGE框架，融合生成模型、对抗判别与保形预测，动态调整权重，提升预测可靠性与准确性，并在牛奶收集和猴痘数据集上验证其优于传统方法。

链接：https://arxiv.org/abs/2609.38196

机构：Unitec Institute of Technology（Unitec理工学院）； University of Canterbury（坎特伯雷大学）； University of Otago（奥塔哥大学）； Auckland University of Technology（奥克兰理工大学）； The Alan Turing Institute（艾伦·图灵研究所）； University College London（伦敦大学学院）

作者：Ahmad Shahi, Mamehgol Yousefi, Brendon J. Woodford, Farhaan Mirza, Tapabrata Chakraborti

AI 总结：DualCast提出双路径语言模型，结合快速数值预测与基于新闻的慢速修订，在金融时间序列零样本预测中多数设置取得最低平均绝对百分比误差。

链接：https://arxiv.org/abs/2609.38197

机构：Tsinghua University（清华大学）； Northwestern Polytechnical University（西北工业大学）； Inspur Yunzhou Industrial Internet Co. Ltd（浪潮云舟工业互联网有限公司）

作者：Wentao Zhao, Hongqiang Wu, Shanghang Liu, Zhaochen Zan, Yu Zhang, Biqing Huang

AI 总结：本文提出函数空间Transformer（FST），通过预测锚点位置并递归细化特征，实现空间自适应连续表示，在PDE预测和图像分类中优于基线模型。

链接：https://arxiv.org/abs/2609.38348

机构：University of Illinois Chicago（伊利诺伊大学芝加哥分校）

作者：Guorui Sang, Pedram Rooshenas

AI 总结：提出EB-GAD，一种免训练图异常检测框架，将正常性建模为图感知GOU松弛，通过经验贝叶斯拟合先验，将评分转化为有限时域控制能量，在11个基准上无标签取得9个最佳AUROC。

链接：https://arxiv.org/abs/2609.38424

机构：University of California, Los Angeles（加州大学洛杉矶分校）； Block（Block公司）； Mila – Quebec AI Institute（Mila魁北克人工智能研究所）

作者：Fred Xu, Thomas Markovich, Florence Regol, Yizhou Sun

AI 总结：RetroGEF提出基于流的生成模型，在统一生成过程中建模分子图编辑与尺寸变化，实现单步逆合成，无需预设编辑顺序，并在基准上取得最优性能。

链接：https://arxiv.org/abs/2609.38484

机构：The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））； Shanghai AI Laboratory（上海人工智能实验室）

作者：Xiaozhuang Song, Xuemin Chen, Xinjian Zhao, Yaoyao Xu, Tianshu Yu

AI 总结：本文提出MM-FinEval，一个包含2019-2022年2045场标普500财报电话会议、覆盖12个金融任务的多模态基准，验证三模态输入对多模态大模型金融预测的有效性。

链接：https://arxiv.org/abs/2609.38523

机构：Northwestern University（西北大学）； New Jersey Institute of Technology（新泽西理工学院）； Georgia Institute of Technology（佐治亚理工学院）； Pace University（佩斯大学）； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））

作者： Dong Shu, Yanguang Liu, Huopu Zhang, Saisai Hu, Haiyan Zhao, Hekun Huang, Mengnan Du

AI 总结：提出基于恰当评分规则的扩散框架，通过辅助条件去噪任务改进概率天气预报，在长时效预报中显著提升精度与校准性。

链接：https://arxiv.org/abs/2609.38632

机构：KAIST（韩国科学技术院）； Kookmin University（国民大学）； New York University（纽约大学）

作者：Joonhyeong Park, Giung Nam, Hyungi Lee, Kyunghyun Cho, Byoungwoo Park, Juho Lee

AI 总结：本研究针对结构偏移下的分子性质预测，提出MolPAIR框架，通过分子对上下文增强表格基础模型的上下文学习，在58个任务中多数优于基线，无需参数更新。

链接：https://arxiv.org/abs/2609.38744

机构：Nums AI

作者：Jinmo Lee, Dooho Lee, Minho Jeong, Jaemin Yoo

AI 总结：LEARN-TS利用冻结语言模型构建角色分离的语义表示，通过窗口特定观测语义和固定正态性提示指导掩码重构，实现无需外部文本的多元时间序列异常检测，在四个基准上取得领先性能。

链接：https://arxiv.org/abs/2609.38789

机构：Korea University（高丽大学）

作者：Jahyeob Koo, Kio Yun, Byoungmo Koo, Jun-Geol Baek

AI 总结：提出尺度分裂神经算子（ScaleSplit-NO），通过父模型预测粗场、子模型预测局部补丁，实现高分辨率三维湍流预测，在精度和数据效率上超越基线，并降低内存消耗。

链接：https://arxiv.org/abs/2609.38977

机构：University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）； McGill University（麦吉尔大学）； New York University（纽约大学）； Concordia University（康考迪亚大学）

作者：Shaoxiang Qin, Yucheng Zhao, Zongyi Li, Liangzhu Leon Wang, Xiongye Xiao

AI 总结：针对铁路车门异常检测，提出TCAA-CS循环感知自编码器，融合跨信号一致性，在真实数据上达到93.8%召回率与97.3%精确率，支持实时部署。

链接：https://arxiv.org/abs/2609.39035

机构：Université Polytechnique Hauts-de-France（上法兰西理工大学）； Alstom（阿尔斯通）； University of Sharjah（沙迦大学）

作者：Ammar Bouketta, Smail Niar, Hamza Ouarnoughi, Eva Mutuzo Brindle

AI 总结：本研究通过大规模统一基准比较流式与静态时间序列异常检测方法，发现静态方法在多数流式场景中显著更优，并提出了分布漂移数据集TSB-drift，揭示现有流式方法设计与实际需求间的关键差距。

链接：https://arxiv.org/abs/2609.39215

机构：EDF R&D（法国电力集团研发部）； ENS, PSL University, CNRS, Inria（巴黎高等师范学院，巴黎文理研究大学，法国国家科学研究中心，法国国家信息与自动化研究所）； DI ENS, ENS, PSL University, CNRS, Inria（巴黎高等师范学院计算机科学系，巴黎高等师范学院，巴黎文理研究大学，法国国家科学研究中心，法国国家信息与自动化研究所）

作者：Magali Parrino, Antoine Ajenjo, Emmanuel Remy, Pierre Stephan, Pierre Senellart, Paul Boniol

AI 总结：本研究比较了流式方法与在线TSAD模型在真实核电站数据上的异常检测性能，发现在线TSAD一致性更高，集成策略鲁棒性强。

链接：https://arxiv.org/abs/2609.39232

机构：EDF R&D（法国电力集团研发部）； Inria, ENS, CNRS, PSL（法国国家信息与自动化研究所、巴黎高等师范学院、法国国家科学研究中心、巴黎文理研究大学）

作者：Magali Parrino, Antoine Ajenjo, Emmanuel Remy, Pierre Stephan, Paul Boniol

AI 总结：针对电力生产预测中的异常检测问题，提出可扩展可解释的TAMIS系统，基于历史模式偏差自动识别异常日，在真实工业数据上实现最佳准确率-效率权衡，并公开数据集。

链接：https://arxiv.org/abs/2609.39257

机构：EDF Lab Paris Saclay（法国电力集团巴黎萨克雷实验室）； EDF, DOAAT（法国电力集团，DOAAT）； Inria, Ecole Normale Supérieure (PSL), CNRS（法国国家信息与自动化研究所，巴黎高等师范学院（PSL），法国国家科学研究中心）

作者：Nicolas Vautier, Paul Caron, Nardi Xhepi, Félicie Bizeul, Manel Boumghar, Christophe Degouy, Paul Boniol

AI 总结：WinoTS提出基于小波的时频增强自蒸馏预训练，用于时间序列，在长期预测、零样本迁移和异常检测上超越基线，且线性探测可媲美监督模型。

链接：https://arxiv.org/abs/2609.39337

机构：Bar-Ilan University（巴伊兰大学）

作者：Noam Major, Kathy Razmadze, Yoli Shavit

AI 总结：提出保留-修复神经算子（R$^2$NO），通过冻结微调后的源预测并学习谱域单元级修复，在真实数据上自适应地改进仿真预训练模型，显著超越完全微调。

链接：https://arxiv.org/abs/2609.39387

机构：TelePIX

作者：Woojin Cho, Junghwan Park

AI 总结：针对时间序列学习中样本可靠性异质性导致的过/欠正则化问题，提出容量中心调制（CCM）原则及样本自适应容量调制（SACM）框架，利用频谱稀疏性分配逐样本丢弃概率，在301个数据集-骨干网络对上平均降低预测MSE 6.7%，提升分类准确率3.04%和F1 17.05%，零测试开销。

链接：https://arxiv.org/abs/2609.39489

机构：The Hong Kong University of Science and Technology (GZ)（香港科技大学（广州））； Central South University（中南大学）； The Hong Kong University of Science and Technology（香港科技大学）

作者：Siru Zhong, Senzhang Wang, James T. Kwok, Yuxuan Liang

AI 总结：本文介绍 Nixtlaverse 开源预测生态系统，通过共享数据与输出契约统一统计、机器学习及神经模型，并在 M5 数据上验证其效率、可扩展性与协调能力。

链接：https://arxiv.org/abs/2609.39741

机构：Nixtla

作者：Olivier Sprangers, Max Mergenthaler Canseco, Marco Peixeiro, Saul Caballero Ramirez, Mariana Menchero García, Jing-Qiang Goh, Han Wang, Nikhil Gupta, Rogelio Melo, Senbong Gee, Cristian Challu

AI 总结：针对在线时间序列预测中何时重训练的问题，提出PILOT框架，利用预测误差动态构建伪标签并训练轻量级评分器触发重训练，在八个基准和三种主干模型上取得最优平均排名性能。

链接：https://arxiv.org/abs/2609.39789

机构：Seoul National University（首尔大学）

作者：Yeryeong Kwak, Yoo-Min Jung, Jonghun Park

AI 总结：针对工业时间序列预测中训练与部署偏差，提出机制相对偏差向量（RBV）诊断工具，区分损失与模型导致的偏差，并证明机制感知训练可解决池化诱导偏差，补充模型排名。

链接：https://arxiv.org/abs/2609.40117

机构：JD.com, Inc.（京东集团）

作者：Pengyu Nie, Chenglang Xu, Yaoshi Chen, Chaogan Ren, Wei Hu, Chao Yang, Jiangong Zhang

AI 总结：本研究利用机器学习和深度学习方法，基于大量历史数据构建模型，以准确预测供应链系统中运输和物流的运输时间，从而提高物流一致性和绩效。

链接：https://arxiv.org/abs/2609.38190

机构：Swiss School of Business and Management, Geneva（瑞士商学院日内瓦校区）

作者：Balaji Venkateswaran

AI 总结：EHR2Trace将异构电子健康记录转换为可追踪事件，支持模型训练与评估，并通过分离事件时间与信息可用性、自动化验证，提升临床智能体的数据可靠性与可审计性。

链接：https://arxiv.org/abs/2609.38193

机构：University of Colorado Anschutz School of Medicine（科罗拉多大学安舒茨医学院）； Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院）

作者：Xinye Yang, Yuli Wang, Cheng Ting Lin, Harrison Bai

AI 总结：FlashDiffusion提出一种无矩阵的融合分块核谱分解方法，通过GPU分块评估高斯核并耦合β流选择分辨率，降低内存开销并加速谱求解。

链接：https://arxiv.org/abs/2609.38198

机构：SparseTrace LLC（SparseTrace有限责任公司）

作者：Julio Candanedo

AI 总结：本研究通过传感器数据与机器学习，利用熵和标准差特征检测电动滑板车骑行者酒精中毒，实现85%准确率，为自动醉酒检测奠定基础。

链接：https://arxiv.org/abs/2609.38276

机构：Chalmers University of Technology（查尔姆斯理工大学）； Voi Technology AB

作者：Rahul Rajendra Pai, Marco Dozza, Alexander Rasch, Ali Mohammadi, Marco Capuccini

AI 总结：本文提出Hermes框架和Hermes-Learn训练方法，将上下文分配决策转移给模型，使模型能利用额外推理计算进行扩展，并提升跨基准的泛化能力。

链接：https://arxiv.org/abs/2609.38332

机构：Carnegie Mellon University（卡内基梅隆大学）； AWS AI Labs（AWS AI 实验室）； Washington University in St. Louis（圣路易斯华盛顿大学）； Georgia Institute of Technology（佐治亚理工学院）

作者：Xinyu Li, Mononito Goswami, Hao Liu, Nikos Kanakaris, Langlin Huang, Prithwish Jana, Patrick Blöbaum, Purak Jain

AI 总结：提出激活条件自蒸馏（ACSD），通过对比正确与其余轨迹的激活提取引导向量，在不需参考文本下提升多模型数学推理准确率，最高达71.9%。

链接：https://arxiv.org/abs/2609.38342

机构：Rensselaer Polytechnic Institute（伦斯勒理工学院）； IBM Research（IBM研究院）

作者：Zhexi Lu, Subhajit Chaudhury, Tejaswini Pedapati, Keerthiram Murugesan, Lei Yu

AI 总结：提出MILO框架，通过多智能体协同进化自动发现智能体工具链，在多个基准上超越现有方法，显著提升性能并降低令牌消耗。

链接：https://arxiv.org/abs/2609.38349

机构：Georgia Institute of Technology（佐治亚理工学院）； AWS AI Labs（AWS AI 实验室）； Carnegie Mellon University（卡内基梅隆大学）； Washington University in St. Louis（圣路易斯华盛顿大学）

作者：Prithwish Jana, Mononito Goswami, Hao Liu, Xinyu Li, Langlin Huang, Zhehui Huang, Zhishen Huang, Patrick Blöbaum, Anoop Deoras, Purak Jain, Nikos Kanakaris, Sahika Genc

AI 总结：LeanPolish 通过符号化 Lean 4 流水线发布验证编辑数据，证明验证监督能提升证明压缩效果，在 miniF2F 和 PutnamBench 上分别实现 27.5% 和 5.5% 的令牌节省，并区分了模仿搜索与改进搜索的差异。

链接：https://arxiv.org/abs/2609.38384

机构：Imperial College London（伦敦帝国理工学院）

作者：Pauline Bourigault

AI 总结：本研究通过理论分析和Qwen2.5实验，证明预训练提供信息、中期训练提供可执行计算，使奖励适应有效，并在多世界任务中显著提升成功率。

链接：https://arxiv.org/abs/2609.38446

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

AI 总结：本研究在受控测试平台GRIDUMM上审计统一多模态模型中梯度冲突度量对理解-生成权衡的预测有效性，发现方向性冲突度量相关性弱且干预无效，表明其诊断有效性需被验证而非假定。

链接：https://arxiv.org/abs/2609.38465

机构：University of California, Los Angeles（加州大学洛杉矶分校）； Aimakj； National University of Defense Technology（国防科技大学）

作者：Shuyang Jiang, Fucheng Deng, Yuchuan Luo, Zhenyu Wu

AI 总结：本研究针对精神病学临床对话录音中按角色删除说话人的验证问题，提出双流水线方法，利用音频语言模型和大语言模型扫描残留音频，并在48个二元录音上评估，OR集成F1达0.478，凸显模型互补性。

链接：https://arxiv.org/abs/2609.38491

机构：Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）

作者：Joseph T Colonel, Daniel Katzman, Kelsey Kirker, Adam N Davidson, Shalaila S Haas, Cheryl Corcoran, René S Kahn, Guillermo Checci, Baihan Lin

AI 总结：通过OperatorCLIP对比实验，发现文本条件神经代理模型的误差降低不能证明其理解文本，恒定条件控制更优，提示干预无可靠语义排序，强调路径控制的必要性。

链接：https://arxiv.org/abs/2609.38517

机构：Georgia Institute of Technology（佐治亚理工学院）； Florida Institute of Technology（佛罗里达理工学院）

作者：Aadi Dash, Lennon J. Shikhman, Michael Galarnyk

AI 总结：提出ShamAN-Q，一种亚1比特后训练量化方法，通过引入稠密曲率度量改进NanoQuant，在多个Qwen3模型上显著降低困惑度并保持零样本准确率。

链接：https://arxiv.org/abs/2609.38521

机构：IonQ

作者：Jonathan Mei, Sang Hyub Kim, Oliver Knitter, Chi Chen, Martin Roetteler

AI 总结：本研究提出奖励优化的缩放定律，性能随训练数据量与散度预算的平方根增长，并通过信息论模型和实验验证，揭示其与简单选择任务的类比。

链接：https://arxiv.org/abs/2609.38526

机构：MIT（麻省理工学院）

作者：Ali Aouad, Aymane El Gadarri, Vivek F. Farias

AI 总结：本研究针对扩散语言模型智能体重试循环问题，提出任务盲目破坏模型与不变性命题，并实例化Reflect Reverse反向评分方法，在四个多轮具身基准上提升任务成功率和进展率。

链接：https://arxiv.org/abs/2609.38536

机构：Technical University of Darmstadt（达姆施塔特工业大学）； UCL Centre for AI（伦敦大学学院人工智能中心）

作者：Jiacheng Qiu, Christopher E. Mower, Jan Peters, Haitham Bou-Ammar, Matthieu Zimmer

AI 总结：本文证明曲率上界不能自动保证鲁棒性证书或训练干预的有效性，通过最后一层相对平坦性代理揭示其低估损失超210倍、平移导致无界等问题，并提出行中心化修复方法，实验显示其可逆抑制泛化。

链接：https://arxiv.org/abs/2609.38540

机构：Centro Nacional de Inteligencia Artificial (CENIA)（国家人工智能中心（CENIA））； Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心（BSC））； Pontificia Universidad Católica de Chile（智利天主教大学）

作者：Vicente Opazo, Jose Calatayud-Mateu, Cristobal Rojas, Cristian Buc Calderon

AI 总结：本文证明在迭代岭回归中，每次迭代使用新素描相比复用素描具有可证明的优势，并提出残差感知采样规则，实验显示显著加速收敛。

链接：https://arxiv.org/abs/2609.38565

机构：Purdue University（普渡大学）； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

作者：Linkai Ma, Qilin Li, Petros Drineas

AI 总结：提出NeurDuo-EEG，一种具有持久状态和显式记忆的EEG基础模型，通过多时间尺度记忆管理实现连续EEG建模，在五个基准中四个达到最优，并支持高效流式推理。

链接：https://arxiv.org/abs/2609.38587

机构：University of Manchester（曼彻斯特大学）； ETH Zürich（苏黎世联邦理工学院）； Shanghai Jiao Tong University（上海交通大学）； Anhui University（安徽大学）； ELLIS Institute Finland（ELLIS芬兰研究所）； Aalto University（阿尔托大学）； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）； University of Chinese Academy of Sciences（中国科学院大学）

作者：Yifan Wang, Haiping Liu, Yang Cui, Wenhao Cai, Shuhang Li, Xiaoyang Huang, Xianyang Liu, Jingyu Sun, Yizheng Sun, Cunhang Fan, Tianming Du, Jiancheng Yang, Zhenhong Li, Yunhao Zhang, Hongpeng Zhou, Jingyuan Sun

AI 总结：JARQ是一种即插即用的量化细化方法，通过联合交替优化组尺度和编码，提升大语言模型量化后的性能，降低困惑度并提高准确率。

链接：https://arxiv.org/abs/2609.38599

机构：McGill University（麦吉尔大学）

作者：Xinyu Wang, Sicheng Lyu, Xiao-Wen Chang

AI 总结：针对跨领域PDE学习中的几何-物理混杂问题，提出显式几何到算子变换的去混杂框架，提升预测精度、数据效率并大幅降低残差。

链接：https://arxiv.org/abs/2609.38623

机构：Nanjing University of Aeronautics and Astronautics（南京航空航天大学）； Nanjing Tech University（南京工业大学）； The Hong Kong Polytechnic University（香港理工大学）； KTH Royal Institute of Technology（瑞典皇家理工学院）

作者：Yinghao Cheng, Gengxiang Chen, Xu Liu, Qinglu Meng, Yixin Jing, Xiangguo Tang, Wenping Mou, Lihui Wang, Yingguang Li

AI 总结：本研究通过生成器框架比较概念瓶颈模型与标准分类器在几何和语义扰动下的鲁棒性，揭示可解释性不固有提升鲁棒性，而是重新分配敏感性，存在依赖扰动机制的任务结构权衡。

链接：https://arxiv.org/abs/2609.38625

机构：Saarland University（萨尔兰大学）； Tianjin University of Technology（天津工业大学）； University of Macau（澳门大学）； University of Exeter（埃克塞特大学）

作者：Hanwei Zhang, Tianma Hu, Gaojie Jin, Xu Cheng, Ronghui Mu

AI 总结：本研究提出探针引导微调，通过训练模型对抗持续更新的探针来增强无害性和诚实性，在保持效用的同时提升安全-效用权衡，并增强对越狱和消融攻击的鲁棒性，且不丧失可监控性。

链接：https://arxiv.org/abs/2609.38645

机构：ETH Zurich（苏黎世联邦理工学院）； ELLIS Institute Tübingen（ELLIS 图宾根研究所）； MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）； Tübingen AI Center（图宾根人工智能中心）

作者：Lena Libon, Alexander Panfilov, Ben Rank, Xin Chen, Jonas Geiping, Maksym Andriushchenko

AI 总结：提出不确定性归一化边际DPO（UNM-DPO），结合强度相关边际与学习提示尺度，通过两种训练目标及长度归一化提升偏好优化性能，在HelpSteer和AlpacaEval上显著优于DPO和SimPO。

链接：https://arxiv.org/abs/2609.38647

机构：EPFL（洛桑联邦理工学院）； University of Helsinki（赫尔辛基大学）

作者：Sadegh Khorasani, Petrus Mikkola, Matthias Grossglauser

AI 总结：本文研究LLM推理中束搜索的测试时计算保证，提出置信度过滤束搜索（CF-Beam），将覆盖依赖性从二次降至近线性，并证明其优于Best-of-N等序列级方法，实验验证其在困难实例和长时域下更稳健。

链接：https://arxiv.org/abs/2609.38672

机构：The Ohio State University（俄亥俄州立大学）； University of Pennsylvania（宾夕法尼亚大学）； National University of Singapore（新加坡国立大学）

作者：Qijia He, Yu Huang, Yuan Cheng, Yuxin Chen, Yingbin Liang

AI 总结：本文研究抽象数据预热对小型语言模型的影响，发现仅用1%预训练代币进行栈操作任务预热，可显著提升多跳问答能力（如MUSIQUE上F1提升3.9点），且效果持久，但收益具有任务特异性和时机依赖性。

链接：https://arxiv.org/abs/2609.38764

机构：Australian Institute for Machine Learning (AIML), Adelaide University（阿德莱德大学澳大利亚机器学习研究所）； Idiap Research Institute（伊迪亚普研究所）； Metacognition AI（元认知AI公司）

作者：Zachary Shinnick, Hemanth Saratchandran, Damien Teney, Anton van den Hengel

AI 总结：dattri-LLM是一个统一高效的训练数据归因库，通过紧凑梯度表示和成本模型路由，实现高效、兼容和可扩展的梯度归因，平均吞吐量提升3.2倍，支持110B参数模型。

链接：https://arxiv.org/abs/2609.38767

机构：University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-尚佩恩分校）； Google（谷歌）

作者：Shixuan Liu, Tongli Zhou, Junwei Deng, Pingbang Hu, Jiaqi W. Ma

AI 总结：本文通过学习目标分析数值误差的影响，提出基于 softmax 交叉熵的有限误差保证与认证容差方法，证明数值精度需结合学习状态评估，并应纳入学习目标。

链接：https://arxiv.org/abs/2609.38785

机构：Nanjing Normal University（南京师范大学）； Nanjing University of Chinese Medicine（南京中医药大学）

作者：Ningkang Peng, Qianfeng Yu, Jingyang Mao, Xiaoqian Peng, Yanhui Gu

AI 总结：本文发现可微学习中前向损失与反向梯度可能不一致，提出AR/FR固定深度解析实现，联合构造势函数与导数，保证前后向一致性并提供三次阶误差界。

链接：https://arxiv.org/abs/2609.38786

机构：Nanjing Normal University（南京师范大学）； Nanjing University of Chinese Medicine（南京中医药大学）

作者：Ningkang Peng, Xiaoqian Peng, Yifan He, Anjie Hu, Chao Tan, Peirong Ma, Yanhui Gu

AI 总结：本研究提出持久校准问题，评估置信度估计器在模型知识变化时的泛化能力，发现现有方法在对比集上校准不足，多检查点训练可改善校准。

链接：https://arxiv.org/abs/2609.38797

机构：University of Texas at Austin（德克萨斯大学奥斯汀分校）； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）

作者：Victor Wang, Thomas Hofweber, Mohit Bansal, Elias Stengel-Eskin

AI 总结：针对全局约束问题，提出基于扩散语言模型的黑板智能推理方法，利用平均置信度指导搜索与修订，在多个基准上超越同规模自回归模型及部分前沿LLM。

链接：https://arxiv.org/abs/2609.38806

机构：Seoul National University（首尔大学）； Harvard University（哈佛大学）； University of Central Florida（中佛罗里达大学）

作者：Woosang Jeon, Jaeyeon Kim, Sham Kakade, Yilun Du, Amrit Singh Bedi, Arun Kumar Chithanar, Chul Lee, Taehyeong Kim, Sitan Chen

AI 总结：本研究证明，仅从受限参数区域的局部轨迹训练的小型自回归Transformer，能在未见参数下高保真外推混沌系统的全局动力学，如逻辑斯蒂映射重现倍周期级联至周期128，标度比4.6687接近费根鲍姆常数，并揭示注意力机制在其中的作用。

链接：https://arxiv.org/abs/2609.38814

机构：Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学）； Munich Center for Machine Learning（慕尼黑机器学习中心）； Technical University of Munich（慕尼黑工业大学）

作者：Yilun Liu, Yi Zhang, Ganyu Wu, Sikuan Yan, Mengyue Wang, Alois Knoll, Volker Tresp, Yunpu Ma

AI 总结：针对有偏LLM评判者的主动偏好学习，提出扰动调整最优设计（NAOD），通过优先选择策略相关信息并利用Frank-Wolfe优化，在理论上达到极小极大下界，实验中将代理策略遗憾降低29.1%。

链接：https://arxiv.org/abs/2609.38860

机构：Beihang University（北京航空航天大学）； Zhongguancun Academy（中关村学院）； Hangzhou Innovation Institute of Beihang University（北京航空航天大学杭州创新研究院）

作者：Zhongman Du, Huiming Zhang, Haodong Zhu, Baochang Zhang

AI 总结：针对视频中非线性标量二阶ODE的参数可辨识性，提出按速度依赖分类的理论，揭示唯一可辨识、不变组合或需标定的条件，并实验验证。

链接：https://arxiv.org/abs/2609.38877

机构：University of Melbourne（墨尔本大学）； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）； Carnegie Mellon University（卡内基梅隆大学）

作者：Wenjie Wang, Yuanyuan Wang, Zixiang Jiang, Shaoan Xie, Mingming Gong

AI 总结：本研究提出OptDachshund框架和EfficientOpt基准，系统评估LLM在优化建模中的效率，发现大多数正确模型求解时间更长，强调需同时评估正确性与计算效率。

链接：https://arxiv.org/abs/2609.38884

机构：Great Bay University（大湾区大学）； Beijing Jiaotong University（北京交通大学）； Beihang University（北京航空航天大学）； Peking University（北京大学）

作者：Zhong Li, Xin Huang, Jinhui Wan, Xiangyi Wang, Shenkai Zhang, Ruiqi Chen, Wenyu Liu, Zaiwen Wen, Ziyan Luo

AI 总结：VERA提出集中训练分散执行的框架，通过可验证可行性表示和反事实信用，在约束多智能体控制中显著提升成功率并降低违规率。

链接：https://arxiv.org/abs/2609.38889

机构：Harbin Institute of Technology（哈尔滨工业大学）； The Chinese University of Hong Kong（香港中文大学）

作者：Bo Yin, Dongbo Li, Hongkai Chen, Jie Liu, Guoliang Xing

AI 总结：本文提出将随机混合系统近似为高维潜在空间中的连续SDE，通过辅助变量编码重置核实现拓扑粘合，并设计匹配分布损失的单一潜在SDE，无需模式标签或事件模拟即可恢复概率演化。

链接：https://arxiv.org/abs/2609.38893

作者：Sangli Teng, Hang Liu, Koushil Sreenath

AI 总结：CAIRN框架对表征解释中的核近似误差进行端到端认证，推导精确方差并给出前K集合的高概率保证，同时通过残差贪心选择显著提升类别覆盖度，使可靠性可量化。

链接：https://arxiv.org/abs/2609.38901

机构：Purdue University（普渡大学）

作者：Jayanta Mukherjee, Shourya Verma, Mengbo Wang, Jasorsi Ghosh, Ananth Grama

AI 总结：本研究提出摊销式神经后验估计（NPE）作为贝叶斯动态借用的灵活替代方案，通过预训练网络实现快速后验推断，在结局漂移下显著降低偏差并加速计算，并在ADNI数据上验证了有效性。

链接：https://arxiv.org/abs/2609.38902

机构：Auburn University（奥本大学）

作者：Chin-Hung Huang, JooChul Lee, Huan He

AI 总结：提出广义残差闭包框架，将学习视为残差递归闭包，通过表示内变换与表示修订两种模式，在仿射模型中给出稳定性-可塑性兼容的充要条件，并证明其能统一适应、表示修订与可复用能力。

链接：https://arxiv.org/abs/2609.38911

机构：Xi’an Jiaotong University（西安交通大学）； Xi’an University of Architecture and Technology（西安建筑科技大学）

作者：Dongxu Li, Yinuo Zhang, Hongyu Zhang, Feng Tian

AI 总结：EFormer提出一种基于冻结跟踪骨干的残差特征校正网络，融合高速事件分支与时间对齐交叉注意力，在连续sEMG手部姿态跟踪中降低MAE 11.38%。

链接：https://arxiv.org/abs/2609.38932

作者：JiaCheng Ge, SiYu Zhang

AI 总结：针对小验证预算下事后校准器容量选择问题，提出10参数信号路由温度缩放（SRTS-BCE），在CIFAR-100等基准上以低容量匹配高容量方法性能，并揭示容量偏好随数据量变化。

链接：https://arxiv.org/abs/2609.38936

机构：Adelaide University（阿德莱德大学）

作者：Wenhao Liang, Liangwei Nathan Zheng, Lin Yue, Wei Emma Zhang, Mingyu Guo, Olaf Maennel, Weitong Chen

AI 总结：SCORE-LM结合紧凑雷达编码器与语言模型，实现高精度故障诊断并生成可理解的维护指导，在八项记录上以88.39%召回率领先，参数减少119.7倍。

链接：https://arxiv.org/abs/2609.38980

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

作者：Mainak Mallick, Seung-Kyum Choi

AI 总结：针对对抗迁移中轨迹偏离数据流形的问题，提出MABT框架，通过流形锚定与双层优化提升10个基线攻击者在28种配置下的迁移性。

链接：https://arxiv.org/abs/2609.38991

机构：The University of Hong Kong（香港大学）； The Hong Kong Polytechnic University（香港理工大学）

作者：Yaohua Liu, Yifan Guo, Jiaxin Gao

AI 总结：针对多视角融合中异步范式限制跨视角交互的问题，提出同步多视角神经扩散SynMDiff，通过联合空间扩散流实现视角内与视角间并发自适应融合，并引入能量拓扑采样与Ego-Net架构提升效率，在真实数据集上大幅超越基线。

链接：https://arxiv.org/abs/2609.39019

机构：Fujian Normal University（福建师范大学）； Fuzhou University（福州大学）

作者：Yongquan Shi, Weijun Huang, Yueyang Pi, Wendi Zhao, Yiqing Shi, Shiping Wang

AI 总结：本研究评估部署生成式智能体中13个验证器的硬门候选资格，发现多数检查区分能力弱且探针跳过限制检测上限，强调评估记录需区分未运行检查并携带拒绝证据。

链接：https://arxiv.org/abs/2609.39037

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

作者：Xin Xu

AI 总结：本文提出贝叶斯成对合并（BPM），将用户成对选择转化为模型合并系数，通过后验推断处理反馈模糊性，无需逐用户训练即可实现个性化，并在多项生成任务中验证了有效性。

链接：https://arxiv.org/abs/2609.39055

机构：Monash University（莫纳什大学）

作者：Yaling Shen, Tongtong Wu, Siyuan Yan, Gholamreza Haffari

AI 总结：本研究构建Kubernetes操作器Argus，在真实EKS和CIFAR-10上实证比较预测中断与简单检查点，发现小提前量预测可零浪费，但过大提前量导致过度迁移，为Spot中断应对提供指导。

链接：https://arxiv.org/abs/2609.39067

作者：Angshuman Chakravertty, MD Rayyan

AI 总结：SparseEngine是一个稀疏优先的推理引擎，通过共享生命周期契约和Chain Cache、Prefix-Cache剪枝，支持多种稀疏方法，实现高吞吐、快速解码，显著提升长上下文智能体性能。

链接：https://arxiv.org/abs/2609.39068

作者：Jitai Hao, Quansheng Gu, Qiang Huang, Jun Yu

AI 总结：本文证明参数对称性通过加法、复制和缩放三种变换影响表征几何，并给出闭式分解及选择规则，以解决过参数化导致的退化问题。

链接：https://arxiv.org/abs/2609.39078

机构：University of Tübingen（图宾根大学）； International Max Planck Research School for Intelligent Systems（国际马克斯·普朗克智能系统研究学院）； Allen Institute for Neural Dynamics（艾伦神经动力学研究所）； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院盖茨比计算神经科学中心）； Sainsbury Wellcome Centre, University College London（伦敦大学学院塞恩斯伯里惠康中心）； University of Alberta（阿尔伯塔大学）； Amii（艾伯塔机器智能研究所）

作者：Marvin Theiss, Lukas Braun, Andrew M. Saxe, Erin Grant

AI 总结：提出SPARC，用两个共享标量控制信号协调谱递归的记忆保持与相位旋转，实现高效自适应记忆，在控制与分类任务上超越现有方法，并显著加速训练。

链接：https://arxiv.org/abs/2609.39082

机构：Peking University（北京大学）； GigaAI（极佳科技）

作者：Wentao Wang, Hengyu Zhong, Yunhan Jiang, Jialiang An, Meng Lu

AI 总结：本研究探讨计算生物学中模型选择信号，发现基于Hessian的几何代理虽与泛化差距相关，但无法可靠识别部署最优模型，表明泛化信号不等于模型选择信号。

链接：https://arxiv.org/abs/2609.39099

机构：BITS Pilani, K K Birla Goa Campus（比拉理工学院K K Birla果阿校区）； LexisNexis Legal & Professional（律商联讯法律与专业）； Mahindra University（马恒达大学）

作者：Aditya Nagarsekar, M P Ashish Bhat, Aadi Nesarkar, Vrishti Godhwani, Rahul Yedida, Aditya Challa, Danda Sravan, Snehanshu Saha

AI 总结：本文研究 Muon 优化器中行归一化（NorMuon）的理论保证，发现其最坏情况复杂度存在维度因子，但实验显示其在 LLM 预训练中优于 Muon，揭示了理论与实践之间的谜团。

链接：https://arxiv.org/abs/2609.39114

机构：Columbia University（哥伦比亚大学）

作者：Jiayu Zhang, Tianyi Lin

AI 总结：本研究针对LLM服务中的内存瓶颈，提出HBM-HBF-主机分层存储与缓冲缓存感知调度，通过轨迹驱动模拟证明HBF增强系统可显著降低完成时间并延长写入寿命。

链接：https://arxiv.org/abs/2609.39131

机构：University of California, Berkeley（加州大学伯克利分校）； FuriosaAI； ICSI（国际计算机科学研究所）； LBNL（劳伦斯伯克利国家实验室）

作者：Zack Yu, Chloe Wong, Coleman Hooper, Minjae Lee, Wonjun Kang, Youngjin Cho, Michael W. Mahoney, Yakun Sophia Shao, Kurt Keutzer, Amir Gholami

AI 总结：QuanVI提出一种结合混合态密度算子与量子张量网络参数化的得分变分推断算法，解决高维特征值问题中的参数爆炸和简并本征向量非唯一性，实现可扩展的高维后验逼近。

链接：https://arxiv.org/abs/2609.39164

机构：Juntendo University（顺天堂大学）； RIKEN-AIP（理化学研究所革新智能统合研究中心）

作者：Yuchen Cong, Zerui Tao, Chao Li, Zhe Sun, Qibin Zhao

AI 总结：本研究提出白化预处理，通过均衡协方差矩阵特征值，减少线性探针对虚假相关性的依赖，从而提升模型鲁棒性，并在合成数据及标准基准上验证了其有效性。

链接：https://arxiv.org/abs/2609.39177

机构：University of Amsterdam（阿姆斯特丹大学）； Tinbergen Institute（丁伯根研究所）

作者：Floris Holstege, Bram Wouters, Noud van Giersbergen, Cees Diks

AI 总结：本文提出使用确定性黄金比例Weyl抖动替代随机舍入来量化Mamba风格模型的循环状态缓存，在多种模型和长序列生成中始终更接近全精度结果，且无需额外成本。

链接：https://arxiv.org/abs/2609.39185

作者：Snigdha Chandan Khilar

AI 总结：本文提出将深度分类器视为动力系统，通过有限时间最大Lyapunov指数（FTMLE）分析决策边界几何，证明其在不同层与边界的关系，并提出几何感知微调方法。

链接：https://arxiv.org/abs/2609.39190

机构：Colorado State University（科罗拉多州立大学）

作者：Shirin Panahi, Amirhossein Nazerian, Ali Pezeshki

AI 总结：针对无线分割学习中的通信瓶颈，提出重要性感知类别平衡稀疏化（ICS），利用Grad-CAM分数在服务器端筛选特征通道，降低客户端开销并缓解非独立同分布数据下的精度下降，实验验证其优于基线。

链接：https://arxiv.org/abs/2609.39194

机构：Seoul National University (SNU)（首尔大学）； Institute of New Media and Communications, SNU（首尔大学新媒体与通信研究所）

作者：Bumjun Kim, Yoon Huh, Wan Choi

AI 总结：本文提出了锯齿形持续同调的可微性框架，通过线性插值将滤波值连续性传递给图点，并在排除集外证明局部Lipschitz连续性，实验验证了其在传感器网络覆盖优化和动态图分类中的有效性。

链接：https://arxiv.org/abs/2609.39242

机构：Area Science Park（的里雅斯特科技园）； Politecnico di Torino（都灵理工大学）

作者：Enrico Maria Ferrari, Clemens Bannwart, Matteo Biagetti

AI 总结：RW-Flow提出基于Wasserstein梯度流的一步生成框架，解决紧致流形上可辨识性问题，并在多个基准上优于现有一步方法。

链接：https://arxiv.org/abs/2609.39271

机构：KAIST（韩国科学技术院）

作者：Ualibyek Nurgulan, Seungwoo Yoo, Prin Phunyaphibarn, Minhyuk Sung

AI 总结：针对在线策略蒸馏中教师全词汇分布成本高的问题，提出ReTaCo方法，通过残差目标控制保留top-k词元并分组剩余词元，结合单样本估计器，在理论上证明最优性，并在数学和代码基准上优于EOPD。

链接：https://arxiv.org/abs/2609.39275

机构：Zhejiang University（浙江大学）； Georgia Institute of Technology（佐治亚理工学院）； Boston College（波士顿学院）； Yale University（耶鲁大学）； University of California, San Diego（加利福尼亚大学圣迭戈分校）； Tsinghua University（清华大学）； Shanghai Innovation Institute（上海创新研究院）； Massachusetts Institute of Technology（麻省理工学院）

作者：Zixiang Ni, Zhuo Hu, Renjie Cao, Weijie Ren, Binqin Shi, Weijia Zhang, Shuheng Cao, Zhicheng Shi, Zhenhao Zhang, Haomin Wen, Zhiyuan Hu

AI 总结：本研究通过实验发现循环模型压缩崩溃源于稳定点偏移而非误差累积，并提出基于暂停头的控制器，在Sudoku-Extreme和Maze-Hard上以更低流量实现更高精度。

链接：https://arxiv.org/abs/2609.39277

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

作者：Steven Kolawole, Pearse Jim, Opegbemi M. Busoye, Glory Bagai, Virginia Smith

AI 总结：提出轻量级语义感知联合信源-信道优化方案，可即插即用地集成于现有数字视频通信系统，通过多智能体近端策略优化联合调整信源与信道编码率，在H.265和DCVC-RT上分别实现34.86%和18.01%的BD码率节省。

链接：https://arxiv.org/abs/2609.39296

机构：Beijing University of Posts and Telecommunications（北京邮电大学）； China Mobile (Suzhou) Software Technology Company Limited（中国移动（苏州）软件技术有限公司）

作者：Xiangben Zhu, Caili Guo, Yang Yang, Chuanhong Liu, Meiyi Zhu

AI 总结：针对电解质属性预测中孤立学习忽略可迁移信息、无差别共享引发干扰的问题，提出统一模型ElectrolyteFM，通过属性特定表示与专家池跨属性知识路由及残差适配，在Electrolyte12上平均误差降低14.8%，并泛化至未见数据集。

链接：https://arxiv.org/abs/2609.39340

机构：VoltaAI； Renmin University of China（中国人民大学）

作者：Jiaxin Yu, Shuo Wang, Peng Wang, Yongcai Wang, Deying Li

AI 总结：提出LampAttention，一种混合精度FlashAttention的硬件-算法协同设计，通过8位计算与自适应16位重算敏感子块，在专用加速器上高效恢复模型性能。

链接：https://arxiv.org/abs/2609.39361

机构：University of Vienna（维也纳大学）； Huawei Heisenberg Research Center（华为海森堡研究中心）； Huawei Technologies Co. Ltd（华为技术有限公司）

作者：Stanislav Budzinskiy, Marian Gloser, Tolunay Yilmaz, Ying Hong Tham, Yuanyi Lin, Wenyi Fang, Fan Wu, Philipp Petersen

AI 总结：本研究评估时间序列基础模型在稀疏事件排序任务上的表现，发现发布的点预测提升有限，而冻结模型上的轻量级事件头能更有效地排序事件，并超越部分基线。

链接：https://arxiv.org/abs/2609.39386

机构：ETH Zurich（苏黎世联邦理工学院）

作者：Daniel Schoess, Florian von Wangenheim

AI 总结：针对联邦回归中多最优头部导致的聚合歧义，提出自然选择规则（返回最接近广播头部的解），证明其收敛到Bures-Wasserstein重心，并给出基于目标均值与协方差交换的一轮修正以逼近集中式最优。

链接：https://arxiv.org/abs/2609.39464

机构：Kyoto University（京都大学）； NII LLMC（国立情报学研究所LLMC）； RIKEN AIP（理化学研究所革新智能统合研究中心）

作者：Chuang Ma, Tomoyuki Obuchi

AI 总结：T-ARC通过将拓扑信息嵌入K-means目标并利用分布鲁棒随机块模型，纠正几何偏差，在非凸和交错簇上取得最高准确率且更稳定。

链接：https://arxiv.org/abs/2609.39466

机构：University of Bari Aldo Moro（巴里阿尔多莫罗大学）； University of Southampton（南安普敦大学）； National Research Council (CNR)（国家研究委员会）

作者：Serena Grazia De Benedictis, Andersen Ang, Nicoletta Del Buono, Flavia Esposito, Laura Selicato

AI 总结：本研究揭示 Jev 模型在算术决策中因依赖数值答案而存在拒绝瓶颈，正确拒绝率仅 7%，通过简单决策阈值可提升至 79% 且不损失答案存在准确率。

链接：https://arxiv.org/abs/2609.39496

机构：University of Southern California（南加州大学）； University of Florida（佛罗里达大学）； Emory University（埃默里大学）

作者：Jike Zhong, Ming Li, Yuxiang Lai

AI 总结：该研究探讨随机平滑在可行集上的几何性质，将过滤预测器的认证分解为几何与认证问题，提出联合概率与条件Rényi界等方法，在图像分类等场景中实现更优的鲁棒性认证。

链接：https://arxiv.org/abs/2609.39497

机构：Technische Universität Wien（维也纳工业大学）； NeverBlink（NeverBlink公司）； Universitat Pompeu Fabra（庞培法布拉大学）

作者：Syed Izhan Khilji, Alireza Furutanpey, Schahram Dustdar

AI 总结：针对GUI智能体在真实环境中的不完美先验问题，提出结合结构化探索与噪声感知训练框架，在物理设备和模拟器上显著提升任务覆盖率和先验利用准确性。

链接：https://arxiv.org/abs/2609.39547

机构：MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus）

作者：Bo Han, Qianyi Wang, Shuai Liu, Xiong Zifan, Changqiao Wu, Yuanfa Li, Pengzhi Gao, Wei Liu, Jian Luan, Heng Qu, Yunpeng Song, Zhongmin Cai

AI 总结：本文提出自排斥采样器，通过同伴承诺在去噪步骤中惩罚重复标记，无需额外训练即可在扩散语言模型中生成多样化样本，显著提升投票准确率，在GSM8K上比贪心解码提高10个百分点以上。

链接：https://arxiv.org/abs/2609.39560

机构：ETH Zürich（苏黎世联邦理工学院）； EPFL（洛桑联邦理工学院）

作者：Michael Helcig, Martin Jaggi

AI 总结：本文提出溯因候选保留（ACR）方法，通过平衡监督锐度与模型质量覆盖，选择保留候选子集以提升溯因学习中概念准确率。

链接：https://arxiv.org/abs/2609.39561

机构：Nanjing University（南京大学）

作者：Hao-Yuan He, Yu Liu, Ming Li

AI 总结：本文分析 Practical Muon 在有限牛顿-舒尔茨迭代与内斯特罗夫动量下的收敛性，在非凸随机优化中建立 $\mathcal O(T^{-1/4})$ 梯度范数界，无需对称噪声或奇异值下界，并验证五步迭代的标量界。

链接：https://arxiv.org/abs/2609.39595

机构：Pengcheng Laboratory（鹏城实验室）

作者：Hanyng Peng, Hui Wang, Yue Yu

AI 总结：针对预训练表格生成器可能泄露训练记录的问题，提出PEG-Tab后训练框架，通过生成替代候选和校准评分控制发布，显著降低复制风险并保持高效用。

链接：https://arxiv.org/abs/2609.39630

作者：Pengfei Li, QinYi Liu, Mohammad Khalil

AI 总结：本研究针对顺序测试时扩展陷入吸引子而停止改进的问题，提出模型混合干预以逃离吸引子，显著降低命中率并提升覆盖范围和准确率，倡导转向顺序方法。

链接：https://arxiv.org/abs/2609.39632

机构：University of Oxford（牛津大学）； MBZUAI（穆罕默德·本·扎耶德人工智能大学）； BBC R&D（BBC研发部）

作者：Joseph Rance, Fabio Pizzati, Juil Sock, Woody Bayliss, Marc Górriz Blanch, Philip Torr, Adel Bibi

AI 总结：本文证明在历史单射动力学下可精确恢复PPO丢弃的状态访问比率，提出单参数修正族以平衡偏差与方差，并在调度任务上显示激进复用下修正预热提升样本效率。

链接：https://arxiv.org/abs/2609.39634

作者：Nima H. Siboni

AI 总结：TopTimeNet通过固定拓扑特征提取与轻量分类器解耦，以极少的参数在非线性动力学基准上达到与更大模型相当的准确率，并揭示特征级与信号级鲁棒性的差异。

链接：https://arxiv.org/abs/2609.39792

机构：Washington State University（华盛顿州立大学）； European Molecular Biology Laboratory（欧洲分子生物学实验室）

作者：Sharareh Sayyad, Sophia Bazzi

AI 总结：本研究分析有限时域线性高斯递归记忆中的信息分配与保留，证明Fisher记忆的球面平均不变性，提出写后保留与污染界，并通过实验验证训练掩码接近最优，精度与理论预测高度一致。

链接：https://arxiv.org/abs/2609.39800

作者：Jeonghoon Lee (Attractor Dynamics Inc.)

AI 总结：提出RATIO框架，通过量化感知行为分析识别过度思考令牌并施加定制惩罚，在量化推理模型上提升精度达9.8个百分点，缩短思维链长度达51.3%。

链接：https://arxiv.org/abs/2609.39801

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

作者：Chengzhu Bao, Xianglong Yan, Tianao Zhang, Jiaqi Chen, Shaoqiu Zhang, Yulun Zhang

AI 总结：针对快速矩阵乘法破坏前缀不变性的问题，提出有界整数编码上两级Strassen的认证实现，通过独立量化token行并精确相消，保证逐位等价于行局部int8算子，使实现选择成为纯成本决策。

链接：https://arxiv.org/abs/2609.39816

机构：Beijing Tongming Lake Information Technology Application Innovation Center (TLAIC)（北京通明湖信息技术应用创新中心）； Fudan University Institute of Systems for Advanced Computing（复旦大学先进计算系统研究院）； Harbin Institute of Technology（哈尔滨工业大学）； Key Lab of HCST (PKU), MOE（北京大学高可信软件技术教育部重点实验室；北京大学计算机学院）； SCS, Peking University（上海开放计算系统研究院）； Shanghai Institute of Systems for Open Computing

作者：Shuxiao Xie, Shuyang Xie, Yuan Cao, Dezhi Ran, Wei Yang, Tao Xie

AI 总结：研究在预算约束下学习何时向人类决策者披露支持信息，提出基于信息价值的阈值策略，实验证明其优于不披露和完全披露，且能提升人机团队表现。

链接：https://arxiv.org/abs/2609.39818

机构：University of Trento（特伦托大学）； University of Pisa（比萨大学）； ETH AI Center & ETH（苏黎世联邦理工学院AI中心及苏黎世联邦理工学院）； University of Warwick（华威大学）

作者：Carlotta Giacchetta, Alessando Bogani, Cesare Barbera, Giovanni De Toni, Michele Caprio, Andrea Pugnana, Andrea Passerini

AI 总结：本文提出从单一基础模型表示预测多模型间的表示分歧（拉什蒙表示），验证其输入依赖性与可预测性，并训练轻量级预测器实现高效可靠性估计。

链接：https://arxiv.org/abs/2609.39848

机构：Beijing University of Posts and Telecommunications（北京邮电大学）； Tianjin University（天津大学）

作者：Mingyue Ma, Zongbo Han, Changqing Zhang, Guangyu Wang

AI 总结：本文研究神经网络随机隐藏层实现秩提升所需的宽度，证明正齐次非多项式激活函数在无维度界下可实现精确秩提升，并统一推广了稳定秩提升的保证。

链接：https://arxiv.org/abs/2609.39855

机构：Sapienza University of Rome（罗马第一大学）； EPFL（洛桑联邦理工学院）

作者：Luca Becchetti, Matteo Russo, Ruben Skorupinski

AI 总结：针对开放权重LLM被微调滥用获取禁止能力的风险，提出基于梯度密封的先发式遗忘方法，通过将预激活推入负区域阻断梯度通路，实验证明其优于回顾式基线。

链接：https://arxiv.org/abs/2609.39866

机构：State Key Laboratory of Internet of Things for Smart City, University of Macau（澳门大学智慧城市物联网国家重点实验室）； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能研究中心）； The University of Melbourne（墨尔本大学）； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）； Mila – Québec AI Institute（米拉-魁北克人工智能研究所）； McGill University（麦吉尔大学）； Google Research（谷歌研究院）； The University of Tokyo（东京大学）

作者：Kemou Li, Qizhou Wang, Yue Wang, Fengpeng Li, Zhuan Shi, Negar Rostamzadeh, Golnoosh Farnadi, Masashi Sugiyama, Jiantao Zhou

AI 总结：针对竞争环境下补救建议可能失效的问题，提出联合优化接收者与分数目标的框架，平衡成本与有效性，实验表明个性化目标有效性高但成本高，常见目标在低中有效性下权衡更优。

链接：https://arxiv.org/abs/2609.39877

机构：Drexel University（德雷塞尔大学）

作者：Shahin Jabbari

AI 总结：MaDE是一种时不变后处理算子，通过推断控制并校正以满足约束，将神经轨迹预测器的状态转移映射到可行动力学流形，显著降低动力学残差，但平均位移误差略有增加。

链接：https://arxiv.org/abs/2609.39888

机构：Imperial College London（帝国理工学院）； Technical University of Munich（慕尼黑工业大学）

作者：Kevin Yu, Tao Guo, Constantinos Antoniou, Panagiotis Angeloudis

AI 总结：研究循环Transformer中共享权重是否导致每循环执行相同操作，发现隐藏状态可路由共享计算至不同转移，注意力模式是因果通路。

链接：https://arxiv.org/abs/2609.39892

机构：Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）； School of Mathematical Sciences, Peking University（北京大学数学科学学院）

作者：Jiaju Wu, Yi Hu, Muhan Zhang

AI 总结：TRACE提出基于跨轨迹证据的轻量级选择器，通过排序完整轨迹替代投票或生成式聚合，提升并行搜索智能体的答案选择准确率与效率。

链接：https://arxiv.org/abs/2609.39912

机构：New York University Shanghai（上海纽约大学）； New York University（纽约大学）

作者：Qisheng Zhou, Zhen Xiong, Qiaoyu Tan

AI 总结：针对扩散规划器缺乏显式规则建模和解释的问题，提出规则对齐扩散规划器（RADP）将可微驾驶规则融入训练，并引入规则压力归因（RPA）在线估计规则作用，实验验证了安全关键场景下的闭环性能提升和规则级可解释性。

链接： https://arxiv.org/abs/2609.39995

机构：Beijing Institute of Technology（北京理工大学）

作者：Jiaxi Ye

AI 总结：DashVMC利用两小时游戏数据学习紧凑世界模型，通过BC初始化并用PPO在冻结回滚中优化，实现实时控制，在官方和社区关卡上超越基线，并维持60赫兹运行。

链接：https://arxiv.org/abs/2609.40003

作者：Florent Tariolle, Florian Yger

AI 总结：本文提出低秩自适应残差连接（LARC），为冻结模型添加紧凑可学习状态，通过反馈梯度步骤显著降低程序选择错误，并区分残差容量与适应效果。

链接：https://arxiv.org/abs/2609.40063

机构：MMLA-org； Communication University of China (CUC)（中国传媒大学）

作者：Junyi Zou, Avrova Donz

AI 总结：针对推理需求超过计算能力时的服务优先级问题，提出推理拍卖机制，允许用户竞价获取更快服务，实现经济高效分配且不牺牲延迟，并开发快速定价算法和自动出价代理，实验证明在保持SGLang优势的同时提升系统福利。

链接：https://arxiv.org/abs/2609.40070

机构：University of California, Berkeley（加州大学伯克利分校）； Toyota Technological Institute at Chicago（芝加哥丰田技术学院）； Google Research（谷歌研究院）； Inria & École Normale Supérieure（法国国家信息与自动化研究所 & 巴黎高等师范学院）

作者：Keegan Harris, Siddharth Prasad, Asher Trockman, Nika Haghtalab, Michael I. Jordan

AI 总结：本文提出按需重放（RoD）方法，根据模型学习动态动态分配重放样本，以平衡持续预训练中的适应与遗忘，无需预设重放比例，达到或优于固定重放基线和模型合并。

链接：https://arxiv.org/abs/2609.40089

机构：University of Tübingen（图宾根大学）； Tübingen AI Center（图宾根人工智能中心）； Helmholtz Munich（亥姆霍兹慕尼黑中心）； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）； Thomson Reuters Foundational Research（汤森路透基础研究）； Imperial College London（伦敦帝国理工学院）； Technical University of Munich（慕尼黑工业大学）

作者：Lukas Thede, Shengzhuang Chen, Stefan Winzeck, Matthias Bethge, Zeynep Akata, Jonathan Richard Schwarz

AI 总结：针对大规模Cox回归的计算挑战，提出基于分组风险集和softplus替代的随机优化方法，获得更优收敛速率，并保持渐近分布匹配，实验验证性能优越。

链接：https://arxiv.org/abs/2609.40120

机构：HSE University（高等经济大学）

作者：Elizaveta Iashchinskaia, Egor Gladin

AI 总结：本文提出可学习子空间投影（LSP）方法，通过端到端学习正交投影器以丢弃低秩子空间，实现神经网络压缩，在多种LLM和ViT上显著优于基线，并提升解码速度与内存效率。

链接：https://arxiv.org/abs/2609.40127

机构：Helmholtz Munich（亥姆霍兹慕尼黑研究中心）； Technical University of Munich（慕尼黑工业大学）； MCML（慕尼黑机器学习中心）； Orbital Industries（轨道工业公司）； LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎高等电信学院LTCI实验室，巴黎综合理工学院）； Columbia University（哥伦比亚大学）； University of Copenhagen（哥本哈根大学）； Technical University of Denmark（丹麦技术大学）； New York University（纽约大学）

作者：Massimo Bini, Anders Christensen, Stephan Alaniz, Judah Goldfeder, Ole Winther, Yann LeCun, Ravid Shwartz-Ziv, Zeynep Akata

AI 总结：本研究提出原型规则神经符号正则化方法，在标签稀缺下增强秩约束张量神经网络，通过训练时正则化显著提升高光谱分类性能，推理融合效果有限。

链接：https://arxiv.org/abs/2609.40131

机构：University of Macedonia（马其顿大学）； University of Malta（马耳他大学）

作者：Eftychios Protopapadakis, Konstantinos Makantasis, Konstantinos M. Giannoutakis

AI 总结：提出GGSD框架，通过游戏自我对弈发现人类可玩的离散运动技能，使人类能组合技能解决未见任务，无需额外训练。

链接：https://arxiv.org/abs/2609.40137

机构：Georgia Institute of Technology（佐治亚理工学院）； Simon Fraser University（西蒙弗雷泽大学）； NVIDIA（英伟达）

作者：Seungeun Rho, Jeonghwan Kim, Xue Bin Peng, Sehoon Ha

AI 总结：该研究提出序列精简任务，即从现有功能DNA中删除碱基以保持活性，并构建了首个仅删除基准，通过编码智能体ERA改进设计器生成GRADASLIM，在多数实验设置中优于随机和贪心方法。

链接：https://arxiv.org/abs/2609.40143

机构：Allen Institute（艾伦研究所）； Move37 Labs（Move37 实验室）

作者：Joel Shor

AI 总结：本文提出一种配对审计方法，以最小最大成本认证测试时采样扩展曲线，通过区分问题间与问题内方差，显著降低所需答案数量，并适用于pass@k和多数投票。

链接：https://arxiv.org/abs/2609.40190

机构：PMCC AI Lab, Peter Munk Cardiac Centre（PMCC AI实验室，彼得·芒克心脏中心）； University Health Network, Toronto, Ontario, Canada（大学健康网络，多伦多，安大略省，加拿大）

作者：Sohail (Neel) Sarkar, Shakuntala Baichoo

AI 总结：本文为 Moreau--Yosida 未调整 Langevin 算法建立了近线性精度界，通过 Poisson 估计将二阶残差转化为 Wasserstein 界，仅需一次梯度和近端评估即可高效采样。

链接：https://arxiv.org/abs/2609.40193

机构：Peking University（北京大学）

作者：Yuchen Xin, Zhihua Zhang

AI 总结：本研究提出两种分布匹配蒸馏方法（Simplex-DMD和Reinforce-DMD），通过利用学生概率输出减少连续扩散语言模型的网络评估次数，在OpenWebText上分别实现49%和20%的困惑度降低。

链接：https://arxiv.org/abs/2609.40235

机构：Inria, PSL Research University（法国国家信息与自动化研究所，巴黎文理研究大学）； Cohere（Cohere公司）； CMAP, Ecole Polytechnique（巴黎综合理工学院应用数学中心）

作者：Paul Le Van Kiem, Dario Shariatian, Umut Simsekli, Alain Durmus

AI 总结：本文提出用格林算子刻画循环网络的全局一阶扰动响应，通过任务和时间约简揭示多任务计算的结构化复用与因果路径，为理解学习到的动力学计算组织提供新视角。

链接：https://arxiv.org/abs/2609.40292

机构：University of Washington（华盛顿大学）； The Allen Institute（艾伦研究所）

作者：James Hazelden

AI 总结：本研究揭示非侵入式脑到文本解码中的时间捷径，通过独立处理窗口移除该捷径，显著提升解码性能，接近侵入式方法。

链接：https://arxiv.org/abs/2609.40359

机构：University of Oxford（牛津大学）

作者：Dulhan Jayalath, Oiwi Parker Jones

AI 总结： 针对多模态临床诊断中类别不平衡问题，提出成对排序帕累托提示演化（Ranking-PE），用AUROC替代准确率优化提示，在MIMIC上显著提升排序性能。

链接：https://arxiv.org/abs/2609.40361

机构：Harvard University（哈佛大学）； University of California, Santa Cruz（加州大学圣克鲁兹分校）； Brown University（布朗大学）； Johns Hopkins University（约翰斯·霍普金斯大学）； Georgia Institute of Technology（佐治亚理工学院）

作者：Tian Xia, Minghao Liu, Yiqing Liang, Laixi Shi, Jiayun Wang