机器学习学术速递[10.2]

AI 总结：本文提出非交换状态空间模型（NC-SSM）系列，通过李群提升和等距变换，解决了对角SSM在非可解群上的优化退化问题，实现了精确群跟踪、流形保持和长程记忆，并在多项基准上显著超越现有方法。

链接：https://arxiv.org/abs/2610.00329

机构：Tianjin Medical University（天津医科大学）； Tianjin University（天津大学）

作者：Zeyu Jia (School of Biomedical Engineering and Technology, Tianjin Medical University, Medical School, Tianjin University)

AI 总结：本文提出MoRA框架，通过可学习路由器偏置和专家近似机制进行结构化MoE剪枝，在多个模型上移除25%和50%专家，并在九个零样本基准上超越现有剪枝算法。

链接：https://arxiv.org/abs/2610.00367

机构：Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））

作者：Yushuai Sun, Zikun Zhou, Lin Gao, Jun Yu, Wenjie Pei

AI 总结：针对重放选择与学习效用脱节的问题，提出可审计的FAER框架，通过学习器感知选择器与审计契约提升后训练质量，在GSM8K上达到0.6624。

链接：https://arxiv.org/abs/2610.00385

机构：University of Chinese Academy of Sciences（中国科学院大学）； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）

作者：Miaobo Hu, Shuhao Hu, Xiaobo Guo, Xin Wang, Bokun Wang, Tianshu Fu, Daren Zha, Jun Xiao

AI 总结：针对夜间阻抗呼吸描记术的儿科喘息检测，提出WIPSNet（3D ResNet）处理连续小波尺度图，在15名患者队列上AUC达0.783，优于EVI等基线，证明时频表示与3D卷积的有效性。

链接：https://arxiv.org/abs/2610.00398

机构：Imperial College London（伦敦帝国理工学院）； Royal Brompton Hospital（皇家布朗普顿医院）； Icare Finland Ltd（Icare芬兰有限公司）

作者：Felix Oury, Harley Day, Karina Mayoral, Ville-Pekka Seppä, Sejal Saglani, Reiko J. Tanaka

AI 总结：本研究通过合成任务考察浅层MLP在拟合训练数据与学习高阶规则之间的分离，发现优化器与干扰权重学习显著影响高阶交互规则的实现。

链接： https://arxiv.org/abs/2610.00403

作者：Gongyue Zhang, Honghai Liu

AI 总结：本研究通过训练轨迹分析与受控干预，揭示大规模激活（注意力汇聚点）的生命周期，发现权重衰减因果控制其规模更替，并建立平衡模型，确立其为训练时调节激活幅度的关键杠杆。

链接：https://arxiv.org/abs/2610.00423

机构：Aimpoint Digital Labs（Aimpoint Digital实验室）； Mistral AI（Mistral AI公司）； New York University（纽约大学）

作者：S. Aaron McClendon, Jorge Gallego-Feliciano, Antonios Saravanos

AI 总结：提出TDAction，通过软终端控制选择传输目标，优化训练动力学以实现一步生成，在ImageNet上无需蒸馏达到FID低于1.1。

链接：https://arxiv.org/abs/2610.00518

机构：Westlake University（西湖大学）； Hangzhou Normal University（杭州师范大学）

作者：Zhangyong Liang, Ying Huang, Haibin Ling

AI 总结：本研究评估混合量子-经典模型用于脑变形场降阶预测，发现经典网络在静态回归和时间预测中均优于量子变体，确立降阶物理场学习为QML测试平台。

链接：https://arxiv.org/abs/2610.00554

机构：Lawrence Technological University（劳伦斯理工大学）； North Carolina State University（北卡罗来纳州立大学）

作者：Tao Liu, Ge He, Dongyu Liang, Wujie Wen

AI 总结：针对MoE专家选择忽视依赖关系的问题，提出DS-MoE框架，利用差分子模优化解耦冗余与协同，并设计MM算法高效选择专家子集，实验验证其性能优于现有基线。

链接：https://arxiv.org/abs/2610.00558

机构：Interdisciplinary Centre for Security, Reliability and Trust, University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科中心）； Department of Computer Science, Peking University（北京大学计算机科学系）； Institute of Space Internet, Fudan University（复旦大学空间互联网研究院）； Department of Electrical and Computer Engineering, The University of British Columbia（不列颠哥伦比亚大学电气与计算机工程系）； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）； School of Engineering, Edith Cowan University（埃迪斯科文大学工程学院）； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）

作者：Zheng Lin, Shaoke Fang, Yuxin Zhang, Jinfeng Xu, Zihan Fang, Zhe Chen, Wei Ni, Jun Luo, Symeon Chatzinotas

AI 总结：本文提出软支配层作为仿射变换的替代，通过可微不等式比较实现坐标级计算，初步实验显示其可训练性但准确率低于MLP基线，需进一步验证。

链接：https://arxiv.org/abs/2610.00563

机构：Centro de Investigación en Matemáticas, A.C.（数学研究中心）

作者：Mariano Rivera

AI 总结：本文研究在冻结推理模型上通过轻量级训练后处理实现多令牌预测加速，提出链感知验证松弛和自适应控制器，显著提升吞吐量并保持准确性。

链接：https://arxiv.org/abs/2610.00888

机构：Microsoft（微软）

作者：Prachi Badarayani, Aidan Jay, Chenghui Zhou, Dayquan Julienne, Yuan Gao, Tianwei Chen, George Zerveas, Ishmam Zabir, Xiren Zhou, Chris Quirk, Xia Song

AI 总结：针对现有药物推荐忽略分子结构和ATC层级的问题，提出HADRec框架，融合分子知识与EHR，采用层级预测器与一致性约束，在MIMIC-III和IV上达到最优性能，且校准良好、推理临床对齐。

链接：https://arxiv.org/abs/2610.00984

机构：South-Central Minzu University（中南民族大学）

作者：Junke Wang, Hongshun Ling, Li Zhang, Jinjing Wu, Tong Shao, Fang Wang, Yuan Gao

AI 总结：本研究探讨KANs的神经缩放定律及激活函数随数据量增加的演化，发现断裂缩放行为，并为高效应用KANs提供定量指导。

链接：https://arxiv.org/abs/2610.00985

机构：Asia Pacific Center for Theoretical Physics（亚太理论物理中心）； Pohang University of Science and Technology（浦项科技大学）

作者：Tilen Cadez, Sanghoon Lee, Kyoung-Min Kim

AI 总结：针对循环MoE扩展受限的问题，提出LOOM方法，通过稳定循环状态和多样化专家选择，实现9-12次循环，显著提升困惑度和零样本准确率。

链接：https://arxiv.org/abs/2610.01153

作者：Di He, Pengxiang Li, Da Chang, Qingyan Meng, Lu Yin, Shiwei Liu

AI 总结：本研究探讨混合Transformer-SSM架构的学习率迁移，发现仅用μP处方即可在多种规模下实现近零LR迁移差距，归因于全局更新-权重不变性与AdamW局部平衡，并验证其跨配置及生产模型的有效性。

链接：https://arxiv.org/abs/2610.01172

机构：Seoul National University（首尔大学）； SB Intuitions； LG AI Research（LG AI研究院）； Hodoo AI

作者：Jimin Seo, Gyubok Lee, Yeonsik Jo, Kiwoong Yoo, Yeongoon Kim, Minhae Oh, Jin Woo Koo, Suhwan Kim, Nakyung Lee, Minsik Seol, Idris Nechnech, Jaehyeon Kim, Giho Lee, Jungwoo Lee

AI 总结：本文提出PPNAS，一种预测驱动的神经架构搜索方法，通过融合少量真实性能标签与大量零成本代理信息，利用序数信息构建成对排序监督并去偏，在有限评估预算下实现最先进性能。

链接：https://arxiv.org/abs/2610.01317

作者：Pascal Janetzky, Yuxin Wang, Michael Klar, Stefan Feuerriegel

AI 总结：AF-Muon提出免AdamW的Muon扩展，针对权重共享词汇表采用有限容量线性最小化预言机，在九种设置中优于混合Muon和Sign，节省约20%状态内存。

链接：https://arxiv.org/abs/2610.01395

机构：LUMIA Lab, School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院LUMIA实验室）； National University of Singapore（新加坡国立大学）

作者：Arash Lagzian, Paniz Halvachi, Junming Zhang, Zhouhan Lin, Dianbo Liu

AI 总结：本文提出更新压力密度动力学解释训练-验证分离现象，通过条件局部模型和固定训练探针揭示梯度分配异质性，并在ResMLP、NLP模型及ResNet-18上验证，发现私有特征占比增加会扩大准确率差距。

链接：https://arxiv.org/abs/2610.01425

机构：The University of Sydney（悉尼大学）； UNSW Sydney（新南威尔士大学）

作者：Yuchen Li, Mingyu Du, Zongqi Fan, Ken-Tye Yong, Nguyen H. Tran

AI 总结：本研究将优化目标作为设计变量，通过多目标超参数优化（NSGA-II 与熵-CRITIC 加权）在 C-MAPSS 和 BackBlaze 基准上校准 RUL 预测的时效性，显著减少方向性不平衡，并揭示架构性能的配置依赖性。

链接：https://arxiv.org/abs/2610.01530

机构：Istanbul Bilgi University（伊斯坦布尔比尔基大学）； Beştepe Koleji（贝什泰佩学院）

作者：Tugrul Cabir Hakyemez, Ener Uras Gokhan

AI 总结：本文提出基于度量量级理论的量级势概念，用于分析神经网络泛化，其比率与记忆化分数相关，能检测决策边界变化并提供顿悟的几何指标，且不受神经坍缩抑制影响。

链接：https://arxiv.org/abs/2610.01633

机构：University of Edinburgh（爱丁堡大学）

作者：Sahel Torkamani, Henry Gouk, Rik Sarkar

AI 总结：MiLoop提出纯强化学习的构造性框架，通过选择性记忆传播实现动态嵌入，无需解标签或剪枝，在100至千万节点实例上展现强泛化能力。

链接：https://arxiv.org/abs/2610.01685

机构：Southern University of Science and Technology（南方科技大学）； Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology（广东省全驱系统控制理论与技术重点实验室）； Pengcheng Laboratory（鹏城实验室）

作者：Changliang Zhou, Yuanyao Chen, Rongsheng Chen, Zhiyun Lin, Zhenkun Wang

AI 总结：针对神经活动多时间尺度识别难题，提出多时间尺度切换线性动力系统（MTS-SLDS），结合多滞后矩初始化与状态条件拉普拉斯EM推断，从潜在转移矩阵特征值提取时间尺度，在合成和神经实验中准确恢复时间尺度与切换结构。

链接：https://arxiv.org/abs/2610.01786

机构：Center for Neurocomputation and Machine Intelligence, Wu Tsai Institute（吴蔡研究所神经计算与机器智能中心）； Department of Biomedical Engineering（生物医学工程系）； Yale University（耶鲁大学）

作者：Lulu Gong, Yongxu Zhang, Shreya Saxena

AI 总结：本研究通过可变精度模拟，发现低精度Transformer推理中随机舍入与就近舍入的效果取决于网络位置，混合配置可显著降低困惑度。

链接：https://arxiv.org/abs/2610.01889

作者：Yohan Chatelain (1), Pablo de Oliveira Castro (2) ((1) Krembil Centre for Neuroinformatics, CAMH, Toronto, Canada, (2) Universite Paris-Saclay, UVSQ, LI-PaRAD, Versailles, France)

AI 总结：该研究提出异步GRPO的收敛分析，并设计GMC-GRPO方法通过组质量上限最小化偏差，改善延迟项阈值依赖性，实验验证其鲁棒性。

链接：https://arxiv.org/abs/2610.01896

机构：The Ohio State University（俄亥俄州立大学）； Arizona State University（亚利桑那州立大学）

作者：Qijia He, Ruinan Jin, Jun Luo, Shaofeng Zou, Yingbin Liang

AI 总结：本文证明仅用两个冻结的高斯初始化单头残差softmax注意力块，即可在连续和有限深度下实现任意序列集合间的通用插值，并刻画了因果掩码的限制。

链接：https://arxiv.org/abs/2610.01981

机构：New York University（纽约大学）

作者：Sibylle Marcotte, Joan Bruna

AI 总结：本研究提出消融可视为剂量，揭示语言模型自我修复实为配重效应，通过仿射定律预测修复响应，并在多个模型上验证。

链接：https://arxiv.org/abs/2610.02173

机构：Lexsi Labs（Lexsi 实验室）

作者：Areeb Ahmad, Pratinav Seth, Vinay Kumar Sankarapu

AI 总结：本文提出IDiom模型和RL-SAE方法，用于内在无序蛋白区域的可解释设计，显著提升功能特征激活率。

链接：https://arxiv.org/abs/2610.02189

机构：Stanford University（斯坦福大学）

作者：Jason X. Liu, Sebastian Ibarraran, Frank Hu, Soojung Yang, Xinyu A. Feng, Abigail Park, Anagha Aneesh, Lacramioara Bintu, Alexander R. Dunn, Grant M. Rotskoff

AI 总结：本研究推导少样本异常检测阈值认证所需类别数量的理论下界，提出CRESS协议，证明仅靠少量源类别无法支持可迁移的可靠性声明。

链接：https://arxiv.org/abs/2610.00236

机构：University of Science, VNU-HCM（越南国立大学胡志明市理科大学）； Van Lang University（万朗大学）

作者：Gia Huy Thai, Nguyen Thai Anh

AI 总结：IrekoGPT通过保留投影矩阵并逐层校准，将预训练大语言模型转化为推理时可调宽度的可瘦身模型，在Llama和Qwen上优于PCA方法，尤其在高压缩率下。

链接：https://arxiv.org/abs/2610.00426

机构：University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）

作者：Pietro Moriello, Pietro Buzzega, Angelo Porrello, Simone Calderara

AI 总结：针对混合整数线性规划，提出重表述对比学习框架ReMILP，利用等价重表述作为自监督信号，学习变量和约束的通用表示，在多个预测任务中展现有效性与可迁移性。

链接：https://arxiv.org/abs/2610.00730

机构：LIX (École Polytechnique, IP Paris, CNRS)（LIX（巴黎综合理工学院、巴黎综合理工学院联盟、法国国家科学研究中心））； AMIAD (Agence Ministérielle pour l’IA de Défense)（AMIAD（国防人工智能部级机构））

作者：Ousema Bouaneni, Mathis Le Bail, Clément Elliker, Maël Jenny, Sonia Vanier

AI 总结：本研究探讨自监督学习中网络宽度与深度对贪心逐层训练和端到端反向传播的影响，发现宽网络中贪心训练性能可媲美甚至超越端到端训练，并揭示表征几何差异为潜在机制。

链接：https://arxiv.org/abs/2610.00753

机构：Jules Stein Eye Institute（朱尔斯·斯坦眼科研究所）； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）

作者：Syon Mansur, Joel Zylberberg

AI 总结：提出SaCRL框架，无需先验结构知识即可联合识别因果结构并学习不变表示，通过HSIC软优化实现结构选择，在多个基准上取得最优性能。

链接：https://arxiv.org/abs/2610.00968

机构：Illinois Institute of Technology（伊利诺伊理工学院）

作者：Arman Behnam, Binghui Wang

AI 总结：针对现有世界模型在潜在空间中因各向同性表示而破坏通勤时间缩放的问题，提出CTWM模型，结合位移预测器与对数行列式正则化器，在可逆动力学下恢复正确缩放，以更少参数在连续目标到达任务中达到或超越基线性能。

链接：https://arxiv.org/abs/2610.01373

机构：Friedrich Miescher Institute for Biomedical Research（弗里德里希·米舍尔生物医学研究所）； University of Basel（巴塞尔大学）

作者：Michael Hauri, Peter Buttaroni, Fabian A. Mikulasch, Friedemann Zenke

AI 总结：本研究将非线性多维概念发现适配至LLM激活，提出概念对齐分数，发现跨层、跨模型及训练阶段的概念流形结构，揭示句法到语义的转变及训练依赖的多语言共享。

链接：https://arxiv.org/abs/2610.01821

机构：University of Groningen（格罗宁根大学）； Carl von Ossietzky University of Oldenburg（奥尔登堡大学）

作者：Tido Specht, Elias Benedict Krey, Nils Neukirch, Nils Strodthoff

AI 总结：本文提出高阶文法表示（HGR），将分子解析为规则序列以高效编码高阶拓扑，并构建富环基准RingDiv，在生成和表示学习任务中均取得领先性能。

链接：https://arxiv.org/abs/2610.02186

机构：Queen Mary University of London（伦敦玛丽女王大学）； Stanford University（斯坦福大学）； Imperial College London（帝国理工学院）； Yonsei University（延世大学）

作者：Yiming Huang, Yujie Zeng, Vijay Prakash Dwivedi, Simone Foti, Jianmin Wang, Jure Leskovec, Tolga Birdal

AI 总结：本研究提出一个结合强化学习多重实例学习、对抗性去偏和偏好条件超网络的多目标框架，用于学生风险预测，发现偏好条件无法稳定控制公平性与性能的权衡，需显式梯度平衡机制。

链接：https://arxiv.org/abs/2610.00035

机构：University of Amsterdam（阿姆斯特丹大学）

作者：Bente Hinkenhuis, Seyed Sahand Mohammadi Ziabari, Ali Mohammed Mansoor Alsahag

AI 总结：提出基于语义熵、几何曲率和纹理丰富度的自适应体素细化框架，并引入强化学习智能体在用户指定内存预算下学习细分策略，实现更高精度和更好的内存-精度权衡。

链接：https://arxiv.org/abs/2610.00188

机构：ETH Zurich（苏黎世联邦理工学院）； Microsoft（微软）； ETH AI Center（苏黎世联邦理工学院人工智能中心）

作者：Alpay Ozkan, Tunc Ozan Aydin, Marc Pollefeys, Jelena Trisovic, Daniel Barath

AI 总结：针对MDP中稀疏策略部署，提出Bellman认证舍入方法，利用包络和加权曲率积分提供候选特定保证，显著提升认证覆盖率并降低界限与损失比。

链接：https://arxiv.org/abs/2610.00325

作者：Zhaojun Peng

AI 总结：针对LLM推理蒸馏中奖励黑客与平均化缺陷，提出最坏情况约束RL方法，通过无增强MDP变换保留硬约束，显著扩展准确率-保真度帕累托前沿，实现最高严格推理成功率。

链接：https://arxiv.org/abs/2610.00332

机构：Huawei Heisenberg Research Center（华为海森堡研究中心）； UCL Centre for AI（伦敦大学学院人工智能中心）

作者：Matthieu Zimmer, Xiaotong Ji, Tu Nguyen, Haitham Bou-Ammar

AI 总结：提出T2SPO方法，利用成功轨迹提供步骤级反馈，通过TabPFN估计剩余距离辅助信用分配，在ALFWorld和WebShop上提升智能体任务成功率。

链接：https://arxiv.org/abs/2610.00388

机构：State Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）； ByteDance（字节跳动）

作者：Bo-Wen Zhang, Junwei He, Maoqi Liu, Feiran Li, Song-Lin Lv, Wentao Ma, Rongyi Lin, Shuhan Zhong, Lan-Zhe Guo

AI 总结：MatrixReward通过构建逐标准胜率矩阵并利用列离散度与相关性生成数据依赖的权重，结合理想轮廓距离计算奖励，在开放式问答基准上以63.02分超越基线约2%。

链接：https://arxiv.org/abs/2610.00389

机构：Zhejiang University（浙江大学）； Renmin University of China（中国人民大学）； Qwen Business Unit of Alibaba（阿里巴巴Qwen事业部）

作者：Zihan Shen, Qi Liu, Zixuan Yang, Yiqun Chen, Chenglong Zhao, Xiaozhao Wang, Lei He

AI 总结：本文研究数据重放下模型出现的分叉过拟合现象，揭示其机制源于n-gram模块放大重复更新效应，并指出这是自动研究代理技巧的意外副产品，需谨慎对待其结果。

链接：https://arxiv.org/abs/2610.00394

机构：MetaCircle； Tsinghua University（清华大学）； Peking University（北京大学）； Shanghai Qizhi Institute（上海期智研究院）

作者：Shanbin Yu, Shaoyang Guo, Haoran Zhao, Danni Yu, Ziming Liu

AI 总结：针对多奖励强化学习中奖励稀疏导致的学习不均衡问题，提出密度感知奖励聚合（DARA），通过逆平方根密度校正加权奖励信号，加速工具调用与数学推理任务的学习，减少训练步数。

链接：https://arxiv.org/abs/2610.00574

机构：University of Chinese Academy of Sciences（中国科学院大学）； University of Minnesota Twin Cities（明尼苏达大学双城分校）； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）； Stony Brook University（纽约州立大学石溪分校）； Dalian University of Technology（大连理工大学）； Beijing Foreign Studies University（北京外国语大学）； Southeast University（东南大学）； Kuaishou Technology（快手科技）

作者：Tong Zheng, Skylar Zhai, Zhan Cheng, TianMing Sha, Youling Huang, Shuo Zhou, Shaotong Qi, Jingcheng Liang, Xuwei Ding, Pengcheng Xu

AI 总结：针对部分可观测强化学习中信息过时问题，提出ALER智能体，结合LSTM与槽记忆，通过可学习重写和融合机制，在多个基准上显著提升成功率。

链接：https://arxiv.org/abs/2610.00592

机构：Innopolis University（英诺波利斯大学）； MIRIAI； Cognitive AI Systems Lab（认知AI系统实验室）

作者：Oleg Shchendrigin, Egor Cherepanov, Aleksandr I. Panov, Alexey K. Kovalev

AI 总结：提出StepRS-GRPO，通过逐步调整风险系数改进扩散语言模型的强化学习，提升数学推理的准确率、覆盖率和答案多样性。

链接：https://arxiv.org/abs/2610.00661

机构：Indiana University（印第安纳大学）； University of California, Riverside（加州大学河滨分校）

作者：Yue YU, Bowen Zuo, David Crandall, Yinglun Zhu, Dongruo Zhou

AI 总结：提出一种低秩假设下的多任务逆强化学习方法，通过汇集多智能体数据缓解覆盖需求，实现可扩展的奖励恢复与策略迁移，并在实验中展现出更低遗憾和计算优势。

链接：https://arxiv.org/abs/2610.00758

机构：Netflix（奈飞）； Massachusetts Institute of Technology（麻省理工学院）； Cornell Tech（康奈尔科技学院）

作者：Allen Tran, Jia Wan, Nathan Kallus, Aurélien Bibaut

AI 总结：针对目标条件强化学习，提出ReQRL方法，利用有限时域可达性约束价值梯度，解耦动力学可达性与边界几何，在OGBench上表现优于或媲美现有方法。

链接：https://arxiv.org/abs/2610.00778

机构：University of Wisconsin–Madison（威斯康星大学麦迪逊分校）

作者：Daisuke Yamada, Travis Pence, Vikas Singh

AI 总结：SHARPO提出段级信用分配机制，通过师生对数概率差距改进GRPO优势，在ALFWorld和WebShop上超越现有基线。

链接：https://arxiv.org/abs/2610.00838

机构：Georgia Institute of Technology（佐治亚理工学院）； LinkedIn Corporation（领英公司）

作者：Xinchen Du, Zhengze Zhou, Wenhui Zhu, Han Yu, Sen Na, Rohit Jain, Alborz Geramifard

AI 总结：本研究通过专家构建的智能体编码任务进行强化学习后训练Kimi K2.7 Code模型，显著提升了六个外部基准的pass@1，并验证了所学技能可跨基准迁移，同时缩短了轨迹并避免了常见失败模式。

链接：https://arxiv.org/abs/2610.00890

机构：Surge AI

作者：Sushant Mehta, Logan Ritchie, Edwin Chen

AI 总结：本研究通过扰动输入和证据冲突测试六个生物推理模型，发现Evo2和ESM3对BioReason系列贡献有限，而其他模型受益于生物输入，揭示后训练策略未确保基础模型表示有效参与推理。

链接：https://arxiv.org/abs/2610.00898

机构：Harvard University（哈佛大学）； Massachusetts Institute of Technology（麻省理工学院）

作者：Ada Fang, Nikitha Thoduguli, Lukas Fesser, Hanlin Zhang, Sham M. Kakade, Marinka Zitnik

AI 总结：提出在测试时强化学习前进行数据无关的入口状态锐化，以入口熵为控制信号，实验表明可显著提升TTRL的适配效率与最终性能。

链接：https://arxiv.org/abs/2610.00903

作者：Zhanming Zhang, Vinoth Selvendran

AI 总结：针对未知转移的对抗性线性约束MDP，提出结合自适应FTRL、收缩值估计和指数Lyapunov函数的新原始-对偶算法，实现最优$\tilde{O}(\sqrt{K})$遗憾与约束违反，无需Slater条件。

链接：https://arxiv.org/abs/2610.00927

机构：KAIST（韩国科学技术院）； Washington State University（华盛顿州立大学）； Seoul National University（首尔国立大学）

作者：Kihyun Yu, Honghao Wei, Dabeen Lee

AI 总结：本研究证明RLVR预算集中训练单个适配器会因错误相关性增加而损害多数投票，提出将预算分割为多个适配器丛，在多种设置下显著提升投票准确率。

链接：https://arxiv.org/abs/2610.00991

机构：Princeton University（普林斯顿大学）

作者：Jonathan Williams, Esin Tureci Karthik R. Narasimhan

AI 总结：本研究提出策略空间扩展方法SURGE，利用强化学习历史中的检查点组合生成更强策略，无需额外训练或推理计算，在数学和编码基准上超越原生最优检查点。

链接：https://arxiv.org/abs/2610.01133

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

作者：Bangji Yang, Jiajun Fan, Hongba Ma, Ruihan Guo, Ge Liu

AI 总结：提出APGEM，一种上下文感知的错误缓解编排框架，动态选择ZNE、PEC、CDR或REM策略，在NISQ设备上提升量子强化学习的鲁棒性，在CVRP上达到Oracle策略效用的94%。

链接：https://arxiv.org/abs/2610.01253

机构：National Institute of Technology Srinagar（斯利那加国立理工学院）

作者： Bisma Majid, Shabir Ahmed Sofi, Mir Mohammad Yousuf

AI 总结：提出IQS-BO，一种基于先验数据拟合网络的上下文内查询选择方法，通过监督学习在合成先验上学习查询决策，以低成本实现贝叶斯优化，并匹配或超越现有方法。

链接：https://arxiv.org/abs/2610.01269

机构：Scientific Computing Center (SCC), Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院科学计算中心）

作者：Luca Geminiani, Nadja Klein

AI 总结：针对带反事实公平约束的因果逻辑强盗，证明覆盖条件必要性，提出匹配上下界，算法达到极小极大最优遗憾。

链接：https://arxiv.org/abs/2610.01377

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

作者：Junhyuk Huh, Seoungbin Bae, Dabeen Lee

AI 总结：本研究在多重重要性加权框架下提出wPPO-U和wPPO-BH两种PPO变体，通过重用近期窗口样本并推导策略改进下界，系统探究数据重用对提升样本效率与最终性能的时机与方式。

链接：https://arxiv.org/abs/2610.01399

机构：Politecnico di Milano（米兰理工大学）； Università degli Studi di Milano（米兰大学）

作者：Alessandro Montenegro, Riccardo Venturelli, Marco Mussi, Matteo Papini, Alberto Maria Metelli

AI 总结：本文从第一性原理定义最优策略改进，将其转化为求解诱导MDP，并在近似评估约束下提出最优贪心化算子，经多算法实验验证可提升总体性能。

链接：https://arxiv.org/abs/2610.01566

机构：TU Delft（代尔夫特理工大学）； Centrum Wiskunde & Informatica, Amsterdam（阿姆斯特丹数学与计算机科学中心）； ETH Zürich（苏黎世联邦理工学院）； University of Alberta（阿尔伯塔大学）； TU Eindhoven（埃因霍温理工大学）

作者：Yaniv Oren, Viliam Vadocz, Wiktor Zabka, Thomas Evers, Jan Robine, Wendelin Böhmer, Matthijs T. J. Spaan, Martha White, Hendrik Baier, Fenghui Yu

AI 总结：提出闭环框架，利用LLM分析策略回滚的表格数据，迭代精化结构化策略，无需人工指令，在赛车和开门任务上性能提升最高15%，计算量减少75%。

链接：https://arxiv.org/abs/2610.01652

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

作者：Feiyu Gavin Zhu, Qi Xu, Zhifei Deng, Zhigang Hua, Luke Simon, Jean Oh, Reid Simmons

AI 总结：提出函数结构化图强化学习（FSG-RL），结合函数图、Python代码和多验证器反馈，通过GRPO优化策略，在数学推理基准上将最终答案准确率从43.25%提升至67.50%。

链接：https://arxiv.org/abs/2610.01729

机构：University College London（伦敦大学学院）； Chinese Academy of Sciences（中国科学院）

作者：Zihan Liu, Xurong Xie

AI 总结：本文提出iADD方法，通过理论分析证明仅更新后段时间步有害于多样性，并基于增量式Feynman-Kac训练实现扩散策略优化中对齐性与多样性的最佳权衡，实验验证了显著性能提升。

链接：https://arxiv.org/abs/2610.01789

机构：Pulchowk Campus, IOE, Tribhuvan University（特里布万大学工程学院普尔乔克校区）； NAAMII

作者：Ashok Prasad Neupane, Saugat Adhikari, Pramish Paudel, Ajad Chhatkuli, Danda Pani Paudel

AI 总结：本文提出一步式流模型OMAF，结合Transformer流策略与近似路径得分代理，实现高效在线多智能体协调，在10个任务上回报提升3.4倍、样本效率提升10.5倍。

链接：https://arxiv.org/abs/2610.01882

机构：Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）； Engineering Systems and Design Pillar, Singapore University of Technology and Design（新加坡科技设计大学工程系统与设计方向）

作者：Zhuoran Li, Yunzhan Li, Xun Wang, Yihan Du, Longbo Huang

AI 总结：本文提出基于选择的结构化推理（SSR），将多模态智能体的推理从开放式生成改为选择预定义候选，在保持任务性能的同时显著降低推理延迟，适用于小型模型。

链接：https://arxiv.org/abs/2610.01892

机构：Apple（苹果公司）； Carnegie Mellon University（卡内基梅隆大学）

作者：Feiyu Gavin Zhu, Xiaoyu Zhu, Jiqi Yang, Rui Yang, Arnab Kumar Mondal, Yancheng Wang, Xinke Deng, Jean Oh, Reid Simmons, Joerg Liebelt, Xiang Kong, Zhongyu Jiang

AI 总结：本研究提出视觉可解析性设计规则，证明多模态强化学习仅在视觉证据为必要且任务可学习时才能学会观察，并通过反事实坐标实验验证了该规则的有效性。

链接：https://arxiv.org/abs/2610.01908

机构：University of the Chinese Academy of Sciences（中国科学院大学）； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）

作者：Haocun Ye, Xinlong Jiang, Qile Chen, Bingyu Wang, Teng Zhang, Shubai Chen, Tingyu Wu, Zhenkun Zheng, Yiqiang Chen

AI 总结：本文对伯努利臂的 β-EB-TCI 算法进行尖锐非渐近分析，证明其停止时间上界并给出期望样本复杂度，同时指出处理相等次优均值证明策略的局限。

链接：https://arxiv.org/abs/2610.01951

作者：Nam Nguyen, Tuan Quang Dam

AI 总结：提出基于2100多个Polymarket问题的智能体预测环境，用Brier分数奖励的GRPO训练Qwen3.5模型，使校准提升30-40%，搜索次数下降，并以5%推理成本超越Claude Opus等前沿模型。

链接：https://arxiv.org/abs/2610.01955

作者：Yusuf Afifi, Artur Kiulian, Anton Polishko, Mykola Khandoga, Hamudi Naanaa, Alina Krasnobrizha

AI 总结：本文提出 Forward CIP（F-CIP），一种仅由系统动力学定义、无需选择信息变量的无监督强化学习目标，可无监督发现平衡等原始行为，并结合简单奖励产生跳跃、奔跑等协调步态。

链接：https://arxiv.org/abs/2610.02012

机构：Texas Tech University（德克萨斯理工大学）； Purdue University（普渡大学）

作者：Tristan Shah, Wooyoung Chung, Volodomyr Makarenko, Juan Wachs, Stas Tiomkin

AI 总结：本文证明RLVR后训练中语言漂移由优化压力导致且无法在不牺牲性能的前提下约束，并实验验证其仅在新颖推理任务中出现。

链接：https://arxiv.org/abs/2610.02015

机构：Saarland University（萨尔兰大学）

作者：Michael Sullivan, Alexander Koller

AI 总结：针对LLM强化学习中响应偏离策略导致的概率比率符号抵消问题，提出取消感知响应掩码（CARM），通过取对数比率绝对值防止漂移被掩盖，并在数学推理与代码基准上显著提升性能。

链接：https://arxiv.org/abs/2610.02039

机构：Moore Threads AI（摩尔线程人工智能）

作者：Yafei Zhang, Songshuo Lu, Sicong Liao, Zhi Chen, Yaohua Tang

AI 总结：本文提出鲁棒马尔可夫决策过程的线性规划表示，通过编码鲁棒策略迭代步骤构造单一LP，并给出强多项式算法及改进的复杂度界。

链接：https://arxiv.org/abs/2610.02131

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：提出一种MCMC采样算法，将离策略数据逐步转为在策略数据，使SFT在科学技能、数学推理等任务上媲美甚至超越RL后训练，泛化更强且遗忘更少。

链接：https://arxiv.org/abs/2610.02140

机构：Harvard University（哈佛大学）

作者：Aayush Karan, Sitan Chen, Yilun Du

AI 总结：Faynt提出10M和75M参数的Transformer策略，通过强化学习、蒸馏和课程训练，在《任天堂明星大乱斗DX》中实现对26个角色的统一控制，以98.4%胜率击败专精对手，并开源权重与基准。

链接：https://arxiv.org/abs/2610.02144

机构：Frisson Labs

作者：Ali Janati, Nikita Kuzmin, Rohit Swamy, Charles Niu

AI 总结：本文提出反事实信息作为探索标准，证明现有内在奖励在简单环境中获取反事实信息时是帕累托次优的，并给出成功条件及改进目标。

链接：https://arxiv.org/abs/2610.02159

机构：Stanford University（斯坦福大学）

作者：Scott W. Viteri (Stanford University), Laura Gomezjurado Gonzalez (Stanford University), Clark Barrett (Stanford University)

AI 总结： 本研究通过分析Qwen3-1.7B多教师同策略蒸馏中的梯度、优化器更新和精度影响，揭示了损失平均、Adam一阶矩、BF16舍入及KL梯度截断对参数更新和任务性能的作用。

链接：https://arxiv.org/abs/2610.02179

机构：University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-尚佩恩分校）； Princeton University（普林斯顿大学）； Westlake University（西湖大学）

作者：Siqi Zhu, Suozhi Huang, Kaixuan Zhang, Yuheng Yang, Zhanyang Jin, Yihang Sun, Jiaxuan You

AI 总结：针对评论家动作梯度不可靠的问题，提出前向熵正则化策略优化（FERPO），利用前向KL目标与自归一化重要性采样改进策略，促进探索，在MuJoCo和ManiSkill上表现优异且更新更快。

链接：https://arxiv.org/abs/2610.02198

机构：Applied and Theoretical Aspects of Robot Intelligence (ATARI) Lab（应用与理论机器人智能实验室）； Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）； Technical University of Munich（慕尼黑工业大学）

作者：Sebastian Sanokowski, Alireza Sarmadi, Majid Khadiv

AI 总结：本文提出一种基于裁剪感知目标条件化的差分隐私扩散模型，用于能量时间序列插补，通过v预测和动态加权提升插补效用。

链接：https://arxiv.org/abs/2610.00209

机构：Minjiang University（闽江学院）

作者：Huizhen Huang, Yu Li, Tao Huang, Chen Hou

AI 总结：针对扩散模型特异性感知生成中负参考分布与正分布重叠导致质量退化的问题，提出基于重叠目标的目标设计及方差缩减顺序蒙特卡洛采样方法，有效抑制非期望区域并提升采样稳定性。

链接：https://arxiv.org/abs/2610.00395

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

作者：Luran Wang, Linrui Ma, Hannes Stärk, Regina Barzilay

AI 总结：NEUROTOKEN通过条件流匹配联合建模源与方向听觉注意解码，利用共享EEG前端和似然比评分，在多个数据集上显著提升准确率并缩小方差。

链接：https://arxiv.org/abs/2610.00397

机构：Ohio State University（俄亥俄州立大学）

作者：Ali Alavi, Donald S. Williamson

AI 总结：本文提出MERITED框架，结合基于实例的学习理论与能量模型，实现基于不确定性的动态计算分配，并开源191M参数推理模型。

链接：https://arxiv.org/abs/2610.00399

机构：University of Luxembourg（卢森堡大学）； Carnegie Mellon University（卡内基梅隆大学）

作者：Tailia Malloy, Prateek Kumar Rajput, Serge Lionel Nikiema, Cleotilde Gonzalez, Tegawendé F. Bissyandé

AI 总结：本文提出一种基于高斯混合潜分布的拉回几何，用于多模态数据，通过责任加权期望精度定义度量，在归一化流中自适应学习分量，实验证明能减少传输变形并提高插值真实性。

链接：https://arxiv.org/abs/2610.00708

机构：University of Cambridge（剑桥大学）； University of California（加利福尼亚大学）

作者：Honglei Brinkmann, Lucas Ng, Georgios Batzolis, Mark Girolami, Carola-Bibiane Schönlieb, Willem Diepeveen

AI 总结：提出时钟扩散框架，通过位置相关噪声调度实现半自回归连续扩散语言模型，支持变长生成和键值缓存，在OpenWebText和GSM8K上达到最优性能，并引入高效采样器缓存抓取。

链接：https://arxiv.org/abs/2610.00894

机构：NVIDIA（英伟达）； Cornell University（康奈尔大学）

作者：Yair Schiff, Omer Belhasin, Roy Uziel, Matan Rusanovsky, Ran Zilberstein, Marianne Arriola, Gilad Turok, Guanghan Wang, Volodymyr Kuleshov, Michael Elad

AI 总结：变分流（VSF）通过学习条件潜在分布，在物理时间中实现高效概率预测，兼具流匹配的灵活性与流（SF）的计算效率，在长时程和分叉动力学中表现优越，并可集成到JEPA世界模型提升任务成功率。

链接：https://arxiv.org/abs/2610.00976

机构：Georgia Institute of Technology（佐治亚理工学院）； Lawrence Berkeley National Lab（劳伦斯伯克利国家实验室）； KTH Royal Institute of Technology（瑞典皇家理工学院）； Nordita（北欧理论物理研究所）； International Computer Science Institute（国际计算机科学研究所）

作者：Hans Hao-Hsun Hsu, Minseon Gwak, Soon Hoe Lim, Pan Li, N. Benjamin Erichson

AI 总结：本文提出一种基于流匹配的反事实生成方法，结合双鲁棒目标与学习耦合，并给出耦合敏感的KL界和端到端保证，实验显示随机采样器在有限步数下优于确定性采样器。

链接：https://arxiv.org/abs/2610.01193

机构：Johns Hopkins University（约翰霍普金斯大学）； University of California, Davis（加州大学戴维斯分校）； Amazon（亚马逊）

作者：Yunrui Guan, Krishnakumar Balasubramanian, Shiva Prasad Kasiviswanathan

AI 总结：EP-Flow提出一种基于熵多面体流的无序晶体结构预测方法，无需位点级标注，通过联合生成占据、坐标和晶格参数，在基准上达到最优性能。

链接：https://arxiv.org/abs/2610.01315

机构：Institute of Physics, Chinese Academy of Sciences（中国科学院物理研究所）； University of Chinese Academy of Sciences（中国科学院大学）； 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：Qiuliang Liu, Liming Wu, Qi Li, Zhonglong Peng, Chang Chen, Xiaolong Chen, Wenbing Huang, Shifeng Jin

AI 总结：该研究探讨扩散模型在固定预算训练下，用合成数据替换真实数据导致模型坍缩，但保留部分特征，而完全替换则快速退化，揭示了两种协议下特征保留的差异。

链接：https://arxiv.org/abs/2610.01318

机构：CEREMADE CNRS（CEREMADE 法国国家科学研究中心）； Université Paris Dauphine - PSL（巴黎第九大学 - PSL）； Cornell University（康奈尔大学）

作者：Hanna Malet, Gabriel Turinici

AI 总结： 本文提出LEEGS方法，通过学习时间依赖的引导调度，以更少的采样步骤实现扩散模型在数据质量与需求满足间的平衡，并在多种引导任务上以更低计算成本达到或超越基线性能。

链接：https://arxiv.org/abs/2610.01502

机构：University of Stuttgart（斯图加特大学）； École polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院，巴黎综合理工大学）

作者：Aneesh Barthakur, Mathias Niepert, Luiz F.O. Chamon

AI 总结：pCoMole提出基于离散流匹配的帕累托约束分子编辑框架，通过可行性门控和Doob-h变换实现多目标优化与硬约束下的序列编辑，并在GFP、Cas9和肽模拟物上验证了有效性。

链接：https://arxiv.org/abs/2610.01663

机构：University of Pennsylvania（宾夕法尼亚大学）； Duke University（杜克大学）

作者：Tong Chen, Maximilian Holsman, Lin Zhao, Pranam Chatterjee

AI 总结：本文提出一种通用适配器方法，联合优化扩散模型的公平性与多样性，无需敏感属性标注，通过文本提示方向和语义不一致性分数实现，实验证明在同等公平性下提升质量与多样性。

链接：https://arxiv.org/abs/2610.01815

机构：Criteo AI Lab（Criteo AI实验室）； ESSEC Business School（ESSEC商学院）； CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央理工-高等电力学院）； FairPlay joint team（FairPlay联合团队）

作者：Théau d'Audiffret, Mariia Vladimirova, Jean-Yves Franceschi

AI 总结：本文提出利用离散莫尔斯理论和协边理论工具，通过MG-Diff流程增强图扩散模型，提供理论稳定性保证，并展示其在时空图预测和图再生中的有效性。

链接：https://arxiv.org/abs/2610.01937

机构：University of Texas, Austin（德克萨斯大学奥斯汀分校）； University of California, Riverside（加利福尼亚大学河滨分校）； Virginia Tech（弗吉尼亚理工大学）

作者：Jennifer Rozenblit, Chenguang Yang, Yuxin Liu, Yuzhou Chen, Yulia Gel

AI 总结：提出Nomad框架，通过相对转移替代绝对目的地，分离移动行为学习与位置落地，实现无目标轨迹的城市间移动生成，在十城市迁移实验中优于基线。

链接：https://arxiv.org/abs/2610.02033

机构：University of Macau（澳门大学）

作者：Yidi Wang, Yunhe Zhang, Bangchao Deng, Dingqi Yang, Pengyang Wang

AI 总结：本文通过几何度量分析Adam与自然梯度下降的偏差，发现其优化能力源于结构近似误差与动量平滑的平衡，而非追踪自然梯度路径。

链接：https://arxiv.org/abs/2610.00004

机构：San Francisco University High School（旧金山大学附属高中）

作者：Vihaan Paka-Hegde

AI 总结：本文刻画了仅能访问线性优化Oracle的在线凸优化中，维度无关的最小最大遗憾为$\Theta(GD\max\{\sqrt T,T/(1+\min\{Q,BT\})^{1/4}\})$，并提出匹配的计数近似梯度方法，同时给出光滑损失下的曲率相关下界。

链接：https://arxiv.org/abs/2610.00254

机构：Purdue University（普渡大学）

作者：Vaneet Aggarwal

AI 总结：本文提出SGD及其变体的精确信息论恒等式，将单步遗憾分解为内在时间与比较器信息项，统一解释收敛、逃逸、泛化等现象，并在真实网络上区分优化器。

链接：https://arxiv.org/abs/2610.00446

作者：Akshay Balsubramani

AI 总结：本研究以深度线性残差网络学习恒等函数为例，通过熵损失理论解析SGD在众多等价分解中偏好特定解的原因，并验证了理论预测。

链接：https://arxiv.org/abs/2610.00615

机构：Northeastern University（东北大学）； Massachusetts Institute of Technology（麻省理工学院）

作者：Andy Arditi, Weian Xie, David Bau, Liu Ziyin

AI 总结：本文提出基于模式连通性和低损失区域几何的分析框架，发现训练与验证划分导致的低损失区域错位是顿悟现象产生的根源，并通过反例挑战现有解释。

链接：https://arxiv.org/abs/2610.00620

机构：Delft University of Technology（代尔夫特理工大学）； HDL TypeTech； IBM Infrastructure（IBM基础设施部门）

作者：Yongding Tian, Zaid Al-Ars, Maksim Kitsak, Peter Hofstee

AI 总结：本文针对重尾噪声下指数稳定线性系统，基于单条轨迹的最小二乘估计，建立了非渐近样本复杂度界，并推广到亚指数和亚高斯噪声，且证明外生输入模型的误差界维度因子与模型阶数无关。

链接：https://arxiv.org/abs/2610.00637

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

作者：Xiaomian Yang, Sungho Shin

AI 总结：针对虚假相关与标签噪声下的子群体偏移问题，提出基于最优传输的POTER重加权框架，通过传输几何度量样本重要性，仅需单阶段ERM训练，在标准基准上实现最先进的组内最差精度。

链接：https://arxiv.org/abs/2610.01028

机构：Pohang University of Science and Technology (POSTECH)（浦项科技大学）

作者：Sung Ho Jo, Seonghwi Kim, Wonsang Yun, Minwoo Chae

AI 总结：CAGE-NAS通过功能空间中的可容许性准则决定何时扩展神经网络，利用认证功能梯度下降和切空间正则化投影，在精确认证下生成超越99.8百分位性能的架构。

链接：https://arxiv.org/abs/2610.01173

机构：Institut Polytechnique de Paris（巴黎综合理工学院）； Inria Saclay（法国国家信息与自动化研究所萨克雷分部）

作者：Santiago Florido Gomez, Stéphane Rivaud

AI 总结：针对未知独立链随机博弈，提出完全在线分散的镜像下降算法，以O(T^{-1/2})遗憾率逼近平稳NE，避免指数复杂度，并给出近似粗相关均衡保证。

链接：https://arxiv.org/abs/2610.01181

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

AI 总结：本文提出利用熵正则最优传输（Sinkhorn散度）进行低预算主动学习中的核心集选择，在特征空间直接操作，获得无维度样本复杂度与高效梯度计算，实验优于现有启发式方法。

链接：https://arxiv.org/abs/2610.01199

机构：Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）； CNRS（法国国家科学研究中心）； Inria（法国国家信息与自动化研究所）； LIG（格勒诺布尔信息学实验室）； LJK（格勒诺布尔数学与应用实验室）

作者：Rim Hajal, Mathieu Besançon, Jérôme Malick

AI 总结：针对多目标统一模型后训练易受顺序影响及朴素合并失效的问题，提出混合训练合并（MTM），通过目标偏置数据混合训练分支并迭代优化，在代码、数学等任务上优于朴素合并并保持行为分离。

链接：https://arxiv.org/abs/2610.01238

机构：KAIST（韩国科学技术院）； Kakao（Kakao公司）

作者：SeongHyeon Kim, Chaeyun Jang, Seungyoo Lee, Jiyeon Ham, Yunju Bak, Boseop Kim, Juho Lee

AI 总结：本文以场景化指南形式系统比较多种机器学习验证方法，指出无普适最优方案，强调独立单元须匹配部署目标且数据依赖操作须排除性能估计观测。

链接：https://arxiv.org/abs/2610.01284

作者：Mehmet Baygin, Sengul Dogan, Turker Tuncer

AI 总结：本文否证了逻辑回归在稳定性边缘过渡时间与步长无关的猜想，证明最坏情况过渡时间为$(\log\eta)^{\min\{n-2,d-2\}}$量级，并通过归纳控制样本变化构造匹配实例。

链接：https://arxiv.org/abs/2610.01459

机构：Tsinghua University（清华大学）； Stanford University（斯坦福大学）

作者：Haodong Wen, Kaiyue Wen, Jiaye Teng

AI 总结：本文比较核学习器与特征学习器在单指标任务上的情境学习，用复制方法预测误差并绘制相图，揭示架构选择、数据特性与上下文长度对非线性情境学习的影响。

链接：https://arxiv.org/abs/2610.01712

机构：Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院统计物理与计算实验室）； University of Chinese Academy of Sciences（中国科学院大学）； Information, Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院信息、学习与物理实验室）

作者：Haotian Gu, Yizhou Xu, Lenka Zdeborová

AI 总结：针对候选物多而实验验证能力有限的验证拥堵问题，提出PRISMS框架，利用多保真度专家成对排序进行科学设计筛选，无需大量实验数据，显著提升筛选效率和优化性能。

链接：https://arxiv.org/abs/2610.01827

机构：University of Bonn（波恩大学）； Fraunhofer SCAI（弗劳恩霍夫算法与科学计算研究所）； Massachusetts Institute of Technology（麻省理工学院）

作者：Kevin Tirta Wijaya, Alston Lo, Michael Sun, Wojciech Matusik, Vahid Babaei

AI 总结：本文提出图上的代价增强薛定谔桥可通过Feynman-Kac倾斜精确求解，无需学习控制，交替端点重缩放即可高效计算，并在蛋白质折叠和路网任务中验证了效果。

链接：https://arxiv.org/abs/2610.02195

作者：Akshay Balsubramani

AI 总结：本研究针对表格基础模型推理成本高的问题，提出一种知识蒸馏方案，利用完整训练集作为教师上下文训练轻量级学生模型，在TabArena和TALENT上显著提升性能并实现3-21倍推理加速。

链接：https://arxiv.org/abs/2610.01435

机构：Nums AI

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

AI 总结：针对跨架构权重空间变换，提出CrossGMN图元网络，通过对称保持的跨网络消息传递实现等变算子，具备普适性，在模型压缩中加速蒸馏最高8.89倍并支持跨数据集迁移。

链接：https://arxiv.org/abs/2610.01649

机构：Technion – Israel Institute of Technology（以色列理工学院）； NVIDIA Research（英伟达研究院）

作者：Adir Dayan, Yam Eitan, Haggai Maron

AI 总结：针对客户端内外部数据混合的复合异质性，提出FedSEE方法，通过任务对齐路由将输入分配给专用专家，利用凸规划恢复任务专家，实验显示性能提升2.9点，最差服务四分位数提升3.7点。

链接：https://arxiv.org/abs/2610.00580

机构：Florida International University（佛罗里达国际大学）； Security, Optimization, and Learning for InterDependentnetworks laboratory (solid lab)（安全、优化与相互依赖网络学习实验室（solid lab））； The Pennsylvania State University（宾夕法尼亚州立大学）； Florida Institute for Human and Machine Cognition (IHMC)（佛罗里达人类与机器认知研究所（IHMC））

作者：Hojat Allah Salehi, Mehrdad Mahdavi, Andrew Arash Mahyari, M. Hadi Amini

AI 总结：本文提出一种潜在信息共享方案，通过共享少量隐藏层激活值缓解客户端漂移，在保持收敛与隐私的同时提升联邦学习训练效率与精度。

链接：https://arxiv.org/abs/2610.01126

机构：Inha University（仁荷大学）； University of Toronto（多伦多大学）； University of Birmingham（伯明翰大学）

作者：Seungjun Lee, Ensieh Khazaei, Dimitrios Hatzinakos, Baturalp Buyukates, Sunwoo Lee

AI 总结： 针对异构边缘设备联邦学习中的资源与域偏移问题，提出FedSAP框架，通过结构化剪枝实现三态通道分配，隔离域敏感更新，在Digits和Office-Caltech上超越基线并支持高剪枝率。

链接：https://arxiv.org/abs/2610.01638

作者：Wentao Yue, Tianyou Lai, Hongji Li, Qingyu Mao, Qilei Li

AI 总结：针对数据投毒攻击，提出SAGE方法，利用少量已验证示例（含干净与投毒）通过相似性加权预测检测投毒，在七种攻击基准上验证了有效性。

链接：https://arxiv.org/abs/2610.01788

机构：Pennsylvania State University（宾夕法尼亚州立大学）； University of Louisville（路易斯维尔大学）； Washington University in St. Louis（圣路易斯华盛顿大学）

作者：Chaeeun Han, Soodeh Atefi, Yevgeniy Vorobeychik, Aron Laszka

AI 总结：本文研究LLM与人类在语言不确定性量化上的差异，提出优化算法METHODNAME，直接从LLM输出学习标记-不确定性映射，实现标记级置信度语义比较，揭示系统性差异。

链接：https://arxiv.org/abs/2610.00083

机构：UNC-Chapel Hill（北卡罗来纳大学教堂山分校）； The University of Hong Kong（香港大学）； City University of Hong Kong（香港城市大学）

作者：Jinhao Duan, Zicheng Liu, Zijie Liu, Kaidi Xu, Tianlong Chen

AI 总结：提出一种保留多专家区间标签、分离标签内不精确性与专家间差异并验证预测不确定性成分的方法，在海冰浓度任务上相比硬标签降低MAE 31%。

链接：https://arxiv.org/abs/2610.00102

机构：University of Colorado Denver（科罗拉多大学丹佛分校）； National Snow and Ice Data Center (NSIDC)（国家冰雪数据中心）； University of Colorado Boulder（科罗拉多大学博尔德分校）

作者：Samira Alkaee Taleghan, Younghyun Koo, Andrew P. Barrett, Farnoush Banaei-Kashani

AI 总结：本研究基准测试系统一决策模型、训练分类器及语言模型在自动化决策门控中的表现，发现模型排名依赖条件，并提出了条件依赖的设计规则。

链接：https://arxiv.org/abs/2610.00346

机构：Texas State University（德克萨斯州立大学）

作者：Amir Rafe, Subasish Das

AI 总结：OmniMed-Jev通过将医疗决策表示为候选集上的概率分布，校准LVLM置信度，大幅降低校准与可靠性误差，同时保持点预测性能，使报告概率真实反映决策准确性。

链接：https://arxiv.org/abs/2610.00381

机构：The University of Hong Kong（香港大学）

作者：Luyao Tang, Cheng Chen

AI 总结：提出一种基于目标条件双模拟的无监督技能发现方法，学习动作感知时间表示并仅条件于关键状态特征，实现跨布局的可迁移技能，并在实证中展现强分布外泛化。

链接：https://arxiv.org/abs/2610.00676

机构：Sharif University of Technology（谢里夫理工大学）

作者：Mohammad Amin Abbasfar, Farbod Azimmohseni, Mohammad Hossein Rohban

AI 总结：本研究提出信号-噪声分解正则化，在CIFAR-100和BloodMNIST上提升性能，通过将噪声隔离到可移除子空间，显著改善分布外图像失真下的模型准确率。

链接：https://arxiv.org/abs/2610.00751

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

作者：Sakin Kirti, Joel Zylberberg

AI 总结：针对协变量偏移下数据增强的误导生成与结构不稳定问题，提出IGDPR框架，结合不变性引导扩散与原型重加权，提升数据质量与学习稳健性。

链接：https://arxiv.org/abs/2610.00873

机构：Arizona State University（亚利桑那州立大学）； Clemson University（克莱姆森大学）； NEC Laboratories America（NEC美国实验室）

作者：Hongyu Cao, Xinyuan Wang, Arun Vignesh Malarkkan, Kunpeng Liu, Haifeng Chen, Yanjie Fu

AI 总结：提出解耦扩散自编码器（DiDAE），通过闭式编辑解耦字典方向生成反事实，无需梯度，速度提升2000倍，能修复下游分类器并识别虚假相关性。

链接：https://arxiv.org/abs/2610.00895

机构：Technische Universität Berlin（柏林工业大学）； Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所（BIFOLD））

作者：Sidney Bender, Benedikt Kunz, Ahmed Zeid, Shinichi Nakajima, Klaus-Robert Müller, Marco Morik

AI 总结：该研究揭示OOD检测中报告的增益主要源于数据集身份识别而非新颖性，通过留出整个OOD数据集测量膨胀，并提供闭式解以预测哪些拟合会虚高。

链接：https://arxiv.org/abs/2610.01096

机构：Hongik University（弘益大学）

作者：Donghoon Lee, Shinjin Kang

AI 总结：针对钻孔建模中自回归预测未被充分探索的问题，提出DrillBench基准，结合大规模预训练与空间检索，在保持局部性能的同时提升跨空间和跨省偏移下的泛化能力。

链接：https://arxiv.org/abs/2610.01204

机构：The University of Western Australia（西澳大利亚大学）

作者：Yihao Ding, Daniel Yitian Su, Yiran Zhang, Christopher M. Gonzalez, Wei Liu

AI 总结：CLEAR是一种轻量级事后方法，通过校准潜在空间几何并检测潜在冲突，在不重训练的情况下增强证据深度学习对分布外和对抗输入的鲁棒性，显著提升AUROC并保持性能。

链接：https://arxiv.org/abs/2610.01384

机构：University of York（约克大学）； Cyprus University of Technology（塞浦路斯理工大学）

作者：Charmaine Barker, Daniel Bethell, Simos Gerasimou

AI 总结：本研究通过箭图表示将层神经网络中的矩阵值传输与多头注意力联系起来，提出拓扑注意力（Top-A），学习跨头非对角路由，在关系推理等任务上验证了边条件跨头通信作为独立计算原语的价值。

链接：https://arxiv.org/abs/2610.01494

作者：Riccardo Ali, Alessio Borgi, Mario Severino, Alessio Gravina, Davide Bacciu, Pietro Liò, Christopher Irwin

AI 总结：针对LLM后训练中奖励不确定性未显式建模的问题，提出Range-GRPO半监督框架，通过成对比较保形校准的奖励区间进行策略优化，理论证明区间坍缩时退化为GRPO，实验显示在分布内外性能最优且资源消耗更少。

链接：https://arxiv.org/abs/2610.01548

机构：Yonsei University（延世大学）

作者：Ryunyi Lee, Kangjun Noh, Somin Kim, Heedong Kim, Kyungwoo Song

AI 总结：针对初始分布偏移问题，提出分布鲁棒薛定谔桥（DRSB），通过最小化最坏情况目标学习单一控制器，实验证明其鲁棒性优于标准SB。

链接：https://arxiv.org/abs/2610.02043

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

作者：Jinhwan Sul, Panagiotis Theodoropoulos, Vincent Pacelli, Jaemoo Choi, Evangelos Theodorou

AI 总结：针对联邦多模态图基础模型中编码器与GNN适配不兼容的问题，提出FedCORE框架，通过共享低维潜在状态联合优化感知与推理，将配对差距从30.6降至5.9，降幅80.7%。

链接：https://arxiv.org/abs/2610.00277

机构：Beijing Institute of Technology（北京理工大学）； Shandong University（山东大学）； Institute of Information Engineering（信息工程研究所）； University of Science and Technology Beijing（北京科技大学）

作者：Zekai Chen, Xun Wu, Hailin Zhang, Xunkai Li, Yu Liu, Kairui Yang, Muyan Huang, Xuaner Chen, Rong-Hua Li, Guoren Wang

AI 总结：本文提出RelICL方法，利用表格基础模型通过模式图逐步传播信息，解决深度特征合成中的特征爆炸与交互盲区问题，在RelBench任务上与最强DFS方法性能相当。

链接：https://arxiv.org/abs/2610.01725

机构：University of Mannheim（曼海姆大学）

作者：Simon Forbat, Rainer Gemulla

AI 总结：本文提出高阶位置编码，利用霍奇拉普拉斯算子将高阶拓扑信息注入标准图模型，理论证明其可混合图拉普拉斯频率，实验表明能提升图变换器预测性能。

链接：https://arxiv.org/abs/2610.01903

机构：University of California, Santa Barbara（加州大学圣塔芭芭拉分校）

作者：Caleb Stam, Aagrim Hoysal, Sanjukta Krishnagopal

AI 总结： 本研究利用有效电阻作为信号，在24个组织特异性相互作用组中探究其与图神经网络节点损失的关系，发现残差信号可解释额外损失，且效应随深度增强。

链接：https://arxiv.org/abs/2610.02175

机构：University of Montana（蒙大拿大学）

作者：Jianru Shen

AI 总结：针对邻居丰富的时间序列预测中邻居残差冲突问题，提出RACE两阶段框架，通过检索对齐邻居残差并训练轻量门控，在不修改骨干网络下提升四个TSFM在两个域上的全部指标。

链接：https://arxiv.org/abs/2610.00405

机构：Nanjing University（南京大学）； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术全国重点实验室）

作者：Hao-Nan Shi, Tong Wu, Chen-Cong Sun, Yuan Jiang, Han-Jia Ye, De-Chuan Zhan

AI 总结：提出VANE路由方法，通过评分专家更新与下降方向的对齐而非令牌本身，在LoRA专家组合中实现更优性能，以更少参数超越现有基线。

链接：https://arxiv.org/abs/2610.00493

机构：University of California, Irvine（加利福尼亚大学尔湾分校）； University of Washington（华盛顿大学）

作者：Priya Nair, Lukas Brenner, Maya Lindqvist, Daniel Whitmore, Wen-Hsuan Liu, Tom Saliencro, Amara Okonkwo, Rohan Desai

AI 总结：本研究系统评估了4比特量化与QLoRA在多种蛋白质语言模型上的效果，证明其能大幅降低内存需求并保持性能，为内存受限场景提供高效适配策略。

链接：https://arxiv.org/abs/2610.00665

机构：University of Toronto（多伦多大学）； McMaster University（麦克马斯特大学）

作者：Ilan Yaniv Zeisler, Sebastian Clancy, Pouriya Bayat, Saaim Raad, Ivan Kraskov, Matthew Xie, Vivian White, Spencer Perkins, Serena Singh, Sepehr Bayat, Keith Pardee

AI 总结：本文提出仅以奖励和动作为条件的策略，实现观测空间完全不同的环境间零样本迁移，并验证其在多种环境中的有效性及对观测策略训练的指导作用。

链接：https://arxiv.org/abs/2610.00729

机构：Georgia Institute of Technology（佐治亚理工学院）； Georgia Tech Research Institute（佐治亚理工研究所）

作者：Morgan Byrd, Maks Sorokin, Robert Wright, Sehoon Ha

AI 总结：本研究通过随机映射记忆任务间的迁移实验，发现等价与非等价两种迁移模式，并定位其分别源于最后一层的幅度驱动和其他层的结构驱动效应，深化了对迁移学习机制的理解。

链接：https://arxiv.org/abs/2610.00771

作者：Yimiao Yu, Florentin Guth

AI 总结：提出 Langevin 信息迁移学习（LITL），利用黑盒反馈从有偏源样本恢复目标 Langevin 动力学，学习谱结构与投影漂移，具备有限样本保证，并在分子模拟、生成模型和神经网络潜在引导中验证了有效性。

链接：https://arxiv.org/abs/2610.01522

机构：Istituto Italiano di Tecnologia（意大利理工学院）； University of Novi Sad（诺维萨德大学）； CMAP-Ecole Polytechnique（巴黎综合理工学院应用数学中心）； Télécom Sud-Paris（巴黎南电信学院）； Université Paris Nanterre（巴黎南泰尔大学）； University College London（伦敦大学学院）

作者：Vladimir R. Kostic, Karim Lounici, Hélène Halconruy, Timothée Devergne, Michele Parrinello, Massimiliano Pontil

AI 总结：针对联邦微调LLM的通信开销与LoRA聚合困境，提出FedFit，采用不相交共享向量库参数化与交替优化，结合残差谱聚合和块级量化，实现高达100倍压缩且性能相当。

链接：https://arxiv.org/abs/2610.01537

机构：Khalifa University（哈利法大学）； Central South University（中南大学）； Université de Lorraine（洛林大学）

作者：Hang Zou, Chao Zhang, Yuzhi Yang, Yu Tian, Samson Lasaulce, Mérouane Debbah

AI 总结：本文提出分布性超网络，根据查询预测LoRA权重更新分布，通过蒙特卡洛采样实现测试时扩展，性能优于确定性超网络及token采样基线。

链接：https://arxiv.org/abs/2610.01934

机构：University of Minnesota（明尼苏达大学）； IBM Research AI（IBM研究院人工智能）

作者：Azal Ahmad Khan, Keshav Ramji, Tahira Naseem, Ali Anwar, Ramón Fernandez Astudillo

AI 总结：针对LoRA适配失衡问题，提出后训练归一化方法LoRA-Norm，通过频谱再平衡和核范数恢复重平衡增益，无需额外训练，提升特化与能力保持。

链接：https://arxiv.org/abs/2610.02067

机构：Singapore Management University（新加坡管理大学）； National University of Singapore（新加坡国立大学）； Peking University（北京大学）

作者：Zailong Tian, Yanzhe Chen, Zhuoheng Han, Houfeng Wang, Lizi Liao

AI 总结：本文提出SW-KAN，采用Stieltjes-Wigert q-正交多项式解决KAN中域不匹配问题，通过平滑映射和高效递推实现优越的精度-效率权衡，在资源受限条件下表现稳健。

链接：https://arxiv.org/abs/2610.00050

机构：Shahid Beheshti University（沙希德·贝赫什提大学）

作者：Amirhosein Azarpour, Seyyed Moein Kazemi

AI 总结：针对医学图像开放世界偏移（长尾、异常、层级分类），提出GBD基准与SCAN方法，通过预测抑制、惊异显著性和互补适应，在保留临床知识的同时提升新颖概念发现。

链接：https://arxiv.org/abs/2610.00120

机构：The University of Hong Kong（香港大学）； Shenzhen University（深圳大学）； Xiamen University（厦门大学）

作者：Luyao Tang, Yingkai Yang, Hanqi Chen, Jiewei Zheng, Chaoqi Chen, Cheng Chen

AI 总结：SimplexUQ 是首个针对单纯形值预测的共形不确定性基准，通过 12 个任务比较现有包装器，揭示全局校准掩盖局部覆盖不均，并强调包装器选择应基于诊断而非通用排名。

链接：https://arxiv.org/abs/2610.00523

机构：University of Pittsburgh（匹兹堡大学）； Xiamen University（厦门大学）； Duke University（杜克大学）

作者：Liang You, Hengyu Shi, Dongwen Ou

AI 总结：本文针对重尾测度上的算子学习，提出用增长更慢的注意力核替代softmax以避免集成坍缩，并通过两个基准验证了该方法的有效性。

链接：https://arxiv.org/abs/2610.00564

机构：California Institute of Technology（加州理工学院）； Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）； University of California, Berkeley（加州大学伯克利分校）； ICSI（国际计算机科学研究所）

作者：Kailen Hargenrader, Edoardo Calvello, Bohan Chen

AI 总结：提出MIKASA-Robo-VLA基准，含90个语言操控任务，多数需记忆隐藏线索，发布22,500条轨迹，基线π0.5在14任务上成功率0.211，揭示VLA模型记忆局限。

链接：https://arxiv.org/abs/2610.00604

机构：AXXX； MIRIAI； HSE University（高等经济大学）

作者：Egor Cherepanov, Nikita Kachaev, Aleksandr I. Panov, Alexey K. Kovalev

AI 总结：WOMBAT通过手工设置权重的白盒GNN基准，提供归因真值，用于识别和评估GNN解释器的错误，并展示了如何使Integrated Gradients产生分散归因。

链接：https://arxiv.org/abs/2610.00713

机构：Jagiellonian University（雅盖隆大学）； Ardigen SA（Ardigen公司）

作者：Dominik Matuszek, Bartosz Zieliński, Tomasz Danel, Dawid Rymarczyk

AI 总结：该研究首次在真实站点观测上对生成式天气数据同化进行受控基准测试，发现生成先验优于3D-Var，全梯度引导最有效，扩散与流匹配性能相当，并建立了标准化基准。

链接：https://arxiv.org/abs/2610.00728

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

作者：Ruizhe Huang, Qidong Yang, Jonathan Giezendanner, Sherrie Wang

AI 总结：针对文本到音乐模型数据归因缺乏可靠基准的问题，提出受控数据集TrueMuse，通过微调三个扩散模型构建，涵盖四种归因设置，系统评估现有黑盒方法，发现归因仍具挑战性，需更可靠通用的方法。

链接：https://arxiv.org/abs/2610.00835

机构：University of Georgia（佐治亚大学）

作者：Jiawei Yu, Jian Liu

AI 总结：针对共享预算和局部约束下的对抗扰动分配问题，提出基于固定梯度先验的重要性引导分配机制，在不扩大预算下重分配扰动至敏感区域，显著提升攻击成功率。

链接：https://arxiv.org/abs/2610.00861

作者：Melika Shirian, Kianoosh Vadaei

AI 总结：针对无人水面艇横摇预测可靠性不足的问题，提出多任务学习与自适应中心化方法，实现准确预测与置信度量化，并在真实数据上验证了泛化能力。

链接：https://arxiv.org/abs/2610.00996

机构：Shanghai University（上海大学）； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）

作者：Kaizhen Li, Xi Zhou, Zihao Wang, Dan Zhang, Jianjian Liu, Xiaowei Li

AI 总结：本文提出SELF-POT基准，统一预算下评估测试时计算收益，发现选择规则和失败处理显著影响性能，公开示例选择提升编程正确率并节省成本。

链接：https://arxiv.org/abs/2610.01110

机构：University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； University of Washington（华盛顿大学）； Tsinghua University（清华大学）

作者：Bangji Yang, Jingyuan Li, Jiajun Fan, Yi Evie Zhang, Ruihan Guo, Hongba Ma, Neil He, Chumeng Liang, Qinglong Zheng, Zhanghan Ni, Ge Liu

AI 总结：本研究提出auto-nesy-bench基准，利用大语言模型自动将文本知识形式化为符号约束，集成到神经符号预测器中，实验表明生成公式接近专家水平且能提升下游预测准确性。

链接：https://arxiv.org/abs/2610.01519

机构：University of Trento（特伦托大学）； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； University of Edinburgh（爱丁堡大学）

作者：Samuele Bortolotti, Weixin Chen, Han Zhao, Andrea Passerini, Stefano Teso, Antonio Vergari

AI 总结：针对气候降尺度评估中单一指标误导排名的问题，提出多指标基准，比较五种方法在ERA5数据上的表现，揭示空间保真度与细尺度变率的权衡，强调多指标评估的必要性。

链接：https://arxiv.org/abs/2610.01579

机构：EDF R&D（法国电力集团研发部）

作者：Loys Masquelier, Etienne Le Naour

AI 总结：针对零数据场景，提出基于提示的Invent-A-Dataset系统，从描述生成高质量多样化后训练数据，在五个前沿API上质量提升17%、多样性提升19%，显著改善下游模型性能。

链接：https://arxiv.org/abs/2610.01674

机构：Adaption Labs

作者：Shivalika Singh, Andrija Djurisic, Gbemileke Onilude, Sudip Roy, Sara Hooker

AI 总结：本文提出数学原语概念和\hlei{}基准，诊断LLMs数学推理的四个维度，发现“发现”是主要瓶颈，并引入原语优先的自蒸馏框架\abs{}，有效提升模型数学推理能力。

链接：https://arxiv.org/abs/2610.02191

机构：Texas A&M University（德克萨斯A&M大学）； Harvard University（哈佛大学）； Vanderbilt University（范德堡大学）； Stanford University（斯坦福大学）； DARPA（美国国防高级研究计划局）； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）

作者：Shuo Xing, Zilin Dai, Chengyuan Qian, Fangzhou Lin, Wenjing Chen, Ping He, Pan Lu, Alvaro Velasquez, Mohit Bansal, Zhengzhong Tu

AI 总结：本研究审计IBM Telco客户流失基准，揭示SMOTE泄漏、特征冗余、校准失效和成本阈值偏差等可信度问题，提出四部分报告清单以提升模型评估可靠性。

链接：https://arxiv.org/abs/2610.00118

作者：Soumyadeep Roy

AI 总结：本文对铁路系统异常检测的深度学习方法进行结构化综述，提出统一分类法，并构建面向决策的框架以指导检测范式和部署配置的选择。

链接：https://arxiv.org/abs/2610.00363

机构：Université Polytechnique Hauts-de-France（上法兰西理工大学）； Alstom（阿尔斯通）； INSA Hauts-de-France（法国国立应用科学学院上法兰西分校）； University of Sharjah（沙迦大学）

作者：Ammar Bouketta, Smail Niar, Hamza Ouarnoughi

AI 总结：针对现有研究分离处理站点间空间依赖与变量间物理耦合的问题，本文提出M$^2$Weather基准，涵盖多尺度站点数据与统一协议，并设计即插即用适配器，验证了联合建模及补全缺失关系可提升预报精度。

链接：https://arxiv.org/abs/2610.00370

机构：Hunan University（湖南大学）； China Meteorological Administration（中国气象局）

作者：Rongwen Li, Xiao Wang, Mingyang Wang, Hongwu Liu, Changjian Chen, Zhuo Tang, Kenli Li

AI 总结：STCFormer提出一种自适应时空Transformer，通过动态聚类和簇引导注意力平衡局部与全局信息，在八个天气预测任务上取得最优性能。

链接：https://arxiv.org/abs/2610.00377

机构：Hunan University（湖南大学）； China Meteorological Administration（中国气象局）； Hunan Provincial Meteorological Bureau（湖南省气象局）

作者：Rongwen Li, Haixin Xie, Mingyang Wang, Hongwu Liu, Kun Fang, Changjian Chen, Zhuo Tang, Kenli Li

AI 总结：本文针对 NACA4418 翼型流动，通过输入干预和压力测试证明神经算子预测误差与物理统计误差不一致，提出应补充物理诊断指标。

链接：https://arxiv.org/abs/2610.00415

机构：State Key Laboratory of Synergistic Chem-Bio Synthesis（协同化学生物合成国家重点实验室）； Department of Chemical Engineering, School of Chemistry and Chemical Engineering（化学工程系，化学与化工学院）； Shanghai Jiao Tong University（上海交通大学）

作者：Somyajit Chakraborty, Xizhong Chen

AI 总结：提出TS-Router框架，利用预训练时间序列表示估计各异常检测器能力并自适应选择专家，无需目标标签，在16个基准上取得最佳平均排名。

链接：https://arxiv.org/abs/2610.00978

机构：Tsinghua University（清华大学）； Huawei（华为）； Datadog AI Research（Datadog AI 研究院）

作者：Tian Lan, Yifei Gao, Yimeng Lu, Xuming An, Meng Wang, Yue Pan, Wenjun He, Chenghao Liu, Chen Zhang

AI 总结：针对现有时间序列异常检测基准忽视可解释性与可解读性的问题，提出完全注释的SHAD基准，含215个真实云存储系统的高维时间序列，并评估检测、可解释性及可解读性基线方法。

链接：https://arxiv.org/abs/2610.01168

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

作者：Roberto Stanzione, Jules Barbe, Magali Parrino, Jérémie Fourmann, Paul Boniol

AI 总结：本文利用大语言模型自主编写紧凑、可解释的时间序列异常检测程序，在TSB-AD基准上超越强基线，无需训练网络或GPU，实现精度、效率与可解释性的统一。

链接：https://arxiv.org/abs/2610.01223

机构：Lamarr Institute（Lamarr 研究所）； Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）

作者：David Berghaus

AI 总结：本研究针对MIMIC-IV死亡率预测，提出多指标与交叉性评估框架，揭示公平性干预在不同指标和亚组分辨率下评估差异显著，强调需结合干预目标与估计可靠性进行综合评估。

链接：https://arxiv.org/abs/2610.01645

机构：Virginia Tech（弗吉尼亚理工大学）； University of Texas at Arlington（德克萨斯大学阿灵顿分校）； University of Melbourne（墨尔本大学）； University of Toronto（多伦多大学）； University of Virginia（弗吉尼亚大学）； Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）

作者：Abdullah Al Noman, Fahmid Al Rifat, Tahrima Hashem, Syed Muhammad Ibne Zulfiker, Rishov Paul, Tanzima HAshem

AI 总结：本文提出一种结合GPS坐标对齐定位与集体异常检测的框架，用于受电弓-接触网系统健康监测，并在意大利铁路真实数据集上验证了其性能。

链接：https://arxiv.org/abs/2610.01721

机构：DIETI University of Naples Federico II（那不勒斯费德里科二世大学）； DIMAI University of Florence（佛罗伦萨大学）； IDSIA USI-SUPSI University of Applied Sciences and Arts of Southern Switzerland（瑞士南部应用科学与艺术大学）

作者：Francesco Vitale, Hangli Ge, Francesco Flammini

AI 总结：针对开放边界水文图预测中的边界强迫缺失与误差累积问题，提出含幽灵节点代理和双物理精化器的计算框架，提升长时域预测精度与稳定性。

链接：https://arxiv.org/abs/2610.01765

机构：William & Mary（威廉与玛丽学院）； Virginia Institute of Marine Science, William & Mary（威廉与玛丽学院弗吉尼亚海洋科学研究所）； Florida Atlantic University（佛罗里达大西洋大学）

作者：Haoyang Jiang, Zhengui Wang, Shenghan Gao, Y. Joseph Zhang, Xingquan Zhu, Yi He

AI 总结：本研究分解组注意力机制，发现均匀池化在多变量和上下文学习预测中普遍有益，而学习权重在上下文学习中常有害，仅统一第一块注意力即可改善所有测试配置。

链接：https://arxiv.org/abs/2610.01831

机构：Amazon（亚马逊）

作者：Michael Fore, James Mason Inder, Mrishika Nair, Praneetha Vaddamanu, Sharlina Keshava

AI 总结：SoftServe提出一族无需线搜索的拟牛顿方法，通过正定曲率估计和Newton-Schulz迭代实现大规模深度学习优化，在病态任务上优于Adam等基线。

链接：https://arxiv.org/abs/2610.02182

机构：University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）； Flatiron Institute（熨斗研究所）； Cornell University（康奈尔大学）

作者：Joohwan Ko, Tetiana Parshakova, Diana Cai, Robert M. Gower

AI 总结：本文提出逆向项目反应理论，将癌症类型视为受试者、药物视为项目，在GDSC2数据上估计耐药性与药物活性，在碎片化缺失下优于简单平均，实现鲁棒排序。

链接：https://arxiv.org/abs/2610.00002

作者：Jung Min Kang

AI 总结：本研究通过受控消融实验探究FourierQK中滤波器形状的影响，发现带通结构、容许性和频谱覆盖是关键，最优带宽带来显著增益，并提出了泄漏-覆盖定律，为双向和自回归注意力提供了设计指导。

链接：https://arxiv.org/abs/2610.00009

机构：Independent Researcher（独立研究者）

作者：Athanasios Zeris

AI 总结：本研究针对GPU硬件演进中特殊函数单元瓶颈，提出用短多项式程序替代LLM中的sigmoid、tanh等超越函数，在GB200上实现最高8%的训练吞吐提升，且模型行为影响极小。

链接：https://arxiv.org/abs/2610.00049

作者：Robert Hu

AI 总结：提出格式感知融合方法，协同设计量化生产者与缩放域和消费者布局，在FP4预训练中实现高达37.9K tokens/s/GPU的速度，同时保持接近bfloat16的训练损失。

链接：https://arxiv.org/abs/2610.00053

作者：Robert Hu

AI 总结：本文提出Nous框架，证明在隐马尔可夫模型中，学习并认证智能体记忆决策所需的记录数可比源校准少二次方量级，并通过MiniGrid实验验证了无需源校准即可可靠认证决策改进。

链接：https://arxiv.org/abs/2610.00094

机构：Indian Institute of Technology Ropar（印度理工学院罗巴尔校区）

作者：Pranav Singh

AI 总结：本研究探讨不同知识追踪模型下掌握阈值设定的差异，发现同一阈值在不同模型间决策差异大，需根据模型和教学优先级重新校准，以平衡表现、练习与进阶。

链接：https://arxiv.org/abs/2610.00095

作者：Xianghui Meng, Yujing Zhang, Jionghao Lin

AI 总结：本文提出一种基于加权分类的关联规则数据挖掘方法用于乳腺癌分类，通过规则生成、剪枝和预测三个核心算法实现，并在测试样本上验证了其可行性和性能。

链接：https://arxiv.org/abs/2610.00174

机构：University of Sharjah（沙迦大学）

作者：Ali Alsalama, Ahmed Kubba, Ghaith Jamjoum, Zaher Al Aghbari

AI 总结：本文研究四种构造性分类器生长方法，发现将叶节点变为门以加深软决策树时，新门梯度恒为零而无法学习，并提出随机扰动修复；其他方法各有收益，如拟合残差减小网络、分裂最大误差叶节点提升稀疏性。

链接：https://arxiv.org/abs/2610.00180

作者：Cagri Temel

AI 总结：本研究通过冻结子集实验证明，核心集选择中易先与覆盖标准的交叉边界随学习器结构变化，而非仅由数据决定，并识别出影响边界的网络因素，强调策略评估需结合目标学习器。

链接：https://arxiv.org/abs/2610.00221

机构：Shandong University（山东大学）； Nanjing University（南京大学）

作者：Yangze Liu, Xiao-Long Yin, Zhongyi Han

AI 总结：本研究探讨固定大小循环记忆的召回能力，提出带固定键偏置的DeltaNet变体，在32 KiB状态下以99.95%准确率召回32个键值对，但基线模型失败，无法比较记忆效率。

链接：https://arxiv.org/abs/2610.00232

机构：Pebble ML

作者：Samuel Larson

AI 总结：针对金融AI故障切换中的决策错误分担问题，提出基于市场影响矩阵的应急路由方法，推导不可分割决策的风险界限，实验显示风险降低达10.53%，提供可审计的压力测试框架。

链接：https://arxiv.org/abs/2610.00239

作者：Shivam Gupta

AI 总结：针对生成模型记忆性审计缺乏空假设的问题，提出两种精确置换检验方法，并推荐尺度限制统计量，在MemBench上实现精确认证。

链接：https://arxiv.org/abs/2610.00251

机构：George Washington University（乔治·华盛顿大学）

作者：Sushovan Majhi, Pramita Bagchi

AI 总结：本研究分析外部验证预算的时序与寻址对逃离错误共识的影响，推导关键预算窗口，并通过实验证明风险校准的重置调度优于随机检查。

链接：https://arxiv.org/abs/2610.00256

机构：Independent Researcher（独立研究者）

作者：Shivam Gupta

AI 总结：本工作提出注意力流形，即学习得到的B样条曲面，通过调制值维度来增强或阻断Transformer注意力，在降低困惑度的同时实现可编辑的模型引导与安全控制。

链接：https://arxiv.org/abs/2610.00257

机构：University of California, Santa Barbara（加州大学圣塔芭芭拉分校）； Dyssonance AI

作者：Naveen Mysore

AI 总结：本研究揭示大型语言模型贝叶斯方法因依赖证据下界而缺乏重参数化不变性，导致权重差异显著且方向反转，并影响模型后验，提出需验证重参数化以避免错误合并模型。

链接：https://arxiv.org/abs/2610.00265

机构：RIKEN（理化学研究所）

作者：Jian Xu

AI 总结：提出MOVE框架，通过多模态证据验证与选择性扩展类别空间，解决多模态图学习中开放世界新类别识别与扩展问题，平均提升11.87%。

链接：https://arxiv.org/abs/2610.00268

机构：Beijing Institute of Technology（北京理工大学）； Shandong University（山东大学）

作者：Zekai Chen, Jiayang Xing, Xun Wu, Miao Zhang, Xunkai Li, Kairui Yang, Zhengyu Wu, Xu Wang, Rong-Hua Li, Guoren Wang

AI 总结：本研究探究世界模型所需硬编码的通用物理结构，提出从学习能量与固定可逆算子生成动力学的方法，在多个物理系统中实现稳定性、干预正确性及对扰动的鲁棒性，并以少量参数高效恢复本构关系。

链接：https://arxiv.org/abs/2610.00280

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

AI 总结：本文提出一种仅从正例和未标注数据中最大化部分AUC的方法，无需负例数据，通过经验风险最小化框架推导估计器并实验验证其有效性。

链接：https://arxiv.org/abs/2610.00284

机构：NTT, Inc.（日本电信电话公司）

作者：Atsutoshi Kumagai, Tomoharu Iwata, Taishi Nishiyama, Hiroshi Takahashi, Kazuki Adachi, Yasuhiro Fujiwara

AI 总结：提出ZeNOVA，一种无梯度的初始噪声优化方法，通过退火软值引导、流形约束超球朗之万动力学和Metropolis-Hastings跳跃，在图像和视频生成模型中实现稳定高效的奖励对齐。

链接：https://arxiv.org/abs/2610.00365

机构：KAIST（韩国科学技术院）

作者：Jinho Chang, Jong Chul Ye

AI 总结：本研究通过GPT-2 small和DistilGPT2实验表明，注意力头消融的因果推断需注意干预位置、连续指标和匹配对照，否则结论可能不可靠。

链接：https://arxiv.org/abs/2610.00373

机构：Stanford University（斯坦福大学）

作者：Juli Huang

AI 总结：本研究首次实证评估Jev模型在网络流量分类中的表现，发现标记示例显著提升其准确率，但整体仍逊于传统树集成模型，且成本更低。

链接：https://arxiv.org/abs/2610.00376

机构：Amazon.com, Inc.（亚马逊公司）

作者：Shenghe Xu, Lifan Mei

AI 总结：针对rTMS抑郁症疗效预测，提出时频图像拼接与混合融合技术及轻量级CNN，在片段级验证中表现优异，但严格受试者分离下性能崩溃，揭示评估方法的关键影响。

链接：https://arxiv.org/abs/2610.00380

机构：University of North Texas（北德克萨斯大学）； University of Tehran（德黑兰大学）

作者：Wael Korani, Md Fahimul Kabir Chowdhury, Mohammed Aledhari, Reza Rostami, Reza Kazemi

AI 总结：提出EvoGen-Harness框架及Trace方法，通过失败归因引导多职责外部系统演化，在多个基准上显著提升冻结文本到图像生成器的性能。

链接：https://arxiv.org/abs/2610.00383

作者：Jiabin Luo, Yinan Liu, Chunlei Meng, Yufei Guo

AI 总结：本文提出基于模糊认知图的合成医学表格数据生成框架，通过可解释模糊集和因果边权重保留临床依赖，在TSTR协议下达到高准确率和隐私保护，为临床决策支持提供透明高效方案。

链接：https://arxiv.org/abs/2610.00391

作者：Michael Vasilakakis (1), Dimitris K. Iakovidis (1) ((1) Department of Computer Science and Biomedical Informatics, University of Thessaly, Lamia, Greece)

AI 总结：针对多轮LLM智能体攻击，提出DART运行时框架，通过去噪表示转变检测并归因有害行为，在六个模型上将攻击成功率从84%降至25%，优于现有防御。

链接：https://arxiv.org/abs/2610.00400

机构：Singapore Management University（新加坡管理大学）； National University of Singapore（新加坡国立大学）

作者：Haoyu Wang, Wei Zhao, Yedi Zhang, Christopher M. Poskitt, Jun Sun

AI 总结：VANDAM框架通过引入DNA分子先验扩展基因组基础模型训练，提升下游任务性能，并泛化到其他分子特性。

链接：https://arxiv.org/abs/2610.00411

机构：NVIDIA（英伟达）； Sheba Medical Center（示巴医疗中心）； Reichman University（莱希曼大学）； Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）

作者：Jeremy Levy, Ariel Larey, Yury Nahshan, Raizy Kellerman, Elay Dahan, Amit Bleiweiss, Guy Leib, Omri Nayshool, Dan Ofer, Tal Zinger, Dan Dominissini, Gideon Rechavi, Marissa Wirth, Simon Lee, Dung Hoang, Noam D. Beckmann, Shane O'Connell, Nicole Bussola, Alexander W. Charney, Yoli Shavit, Nati Daniel

AI 总结：EchoPress提出无需训练的KV缓存剪枝方法，通过虚拟上下文重建近似注意力分数，在保持准确率的同时大幅降低压缩开销和预填充时间。

链接：https://arxiv.org/abs/2610.00412

机构：EPFL（洛桑联邦理工学院）

作者：Jiawei Lin, Saibo Geng, Thomas Bourgeat

AI 总结：本研究通过金融风险文本实验证明，合成数据来源归因在改写后准确性大幅下降，且来源信息与数据训练价值无关，二者是独立问题，现有方法均不足以支撑递归训练。

链接：https://arxiv.org/abs/2610.00417

机构：Ericsson（爱立信）

作者：Joss Armstrong

AI 总结：针对长上下文解码中自注意力二次成本和KV缓存传输瓶颈，提出基于图划分的CommunityKV框架，将稀疏注意力视为社区检测，实现高效流式检索，吞吐量提升达1.71倍。

链接：https://arxiv.org/abs/2610.00418

机构：Amazon AGI（亚马逊AGI）

作者：Joe McKenna, Anastasios Alexandridis, Nathan Susanj, Jing Liu

AI 总结：本文提出XOR-Trellis，通过超低复杂度反量化器和曲率感知目标，实现无需Hadamard变换的高质量超低位宽LLM量化，兼顾并行重建效率与精度。

链接：https://arxiv.org/abs/2610.00432

机构：Arm, Inc.（Arm公司）； Rochester Institute of Technology（罗切斯特理工学院）

作者：Xiaofan Que, Nir Elkayam, Spandan Pyakurel, Shuokai Pan, Dibakar Gope

AI 总结：针对在线批次选择中样本内梯度匹配的偏差问题，提出留一法梯度匹配（LOOM），通过移除Gram矩阵对角线实现无偏估计，在多个微调任务上显著优于全批次训练及其他选择器。

链接：https://arxiv.org/abs/2610.00436

机构：Sichuan University（四川大学）； University of Electronic Science and Technology of China（电子科技大学）

作者：Hongyu Chen, Xinyi Luo, Ming Zhao, Lin Tang, Zihan Xu, Jing Li, Yuxuan Wang, Haoran Deng, Wei Zhang

AI 总结：针对有限RISC池守恒缺失问题，提出可微平衡层，通过理论分析和档案数据审计，证明耦合在现有数据中无额外预测价值，贡献守恒算子和测试所需信息。

链接：https://arxiv.org/abs/2610.00445

机构：University of Central Florida（中佛罗里达大学）

作者：Zahra Khodagholi, Niloofar Yousefi

AI 总结：提出Gumbel Straight Flow（GSF），利用自回归模型的噪声-数据耦合构建连续流映射，通过流映射半群目标实现高质量少步采样，在多项基准上超越现有少步语言生成方法。

链接：https://arxiv.org/abs/2610.00497

机构：Google DeepMind Amsterdam（谷歌深度思维阿姆斯特丹）

作者：Yeongmin Kim, Arnaud Doucet, Andrew Campbell, Valentin De Bortoli, Thomas Mensink, David Ruhe

AI 总结：针对扩散LLM服务中推理成本预测不准确的问题，提出去噪工作负载表面（DWS）模型，保留二维块-步骤结构，通过粗到细训练实现轻量级预测，显著降低预测误差并优化调度延迟。

链接：https://arxiv.org/abs/2610.00499

机构：Wuhan University（武汉大学）； Shanghai Jiao Tong University（上海交通大学）； The Hong Kong University of Science and Technology（香港科技大学）； Damen Database Co., Ltd.（达梦数据库有限公司）； Central China Normal University（华中师范大学）

作者：Haoyu Zheng, Fangcheng Fu, Binhang Yuan, Yongqiang Zhang, Liang Deng, Hao Wang, Yuanyuan Zhu, Xiao Yan, Jiawei Jiang

AI 总结：随机递归模型通过随机采样层池中的层进行递归计算，实现灵活层复用，在推理任务中以更少参数匹配或超越基线，并支持深度变化和测试时扩展。

链接：https://arxiv.org/abs/2610.00541

机构：Mila – Quebec AI Institute（Mila – 魁北克人工智能研究所）； Université de Montréal（蒙特利尔大学）； Concordia University（康考迪亚大学）

作者：Jama Hussein Mohamud, Mirco Ravanelli

AI 总结：针对非单调DR次模函数的在线最大化，提出几何相关界，改进遗憾系数至4/9，并给出匹配下界与多项式情形下的精确系数。

链接：https://arxiv.org/abs/2610.00545

机构：Purdue University（普渡大学）

作者：Vaneet Aggarwal

AI 总结：针对CNN推理中的激活内存瓶颈，提出原位右对齐（RiP）卷积，修正了现有最优公式的缺陷，推广至任意卷积参数，在保持位完全相同输出的同时平均节省24.8%内存，并提升微控制器上可部署模型数量。

链接：https://arxiv.org/abs/2610.00586

机构：PowerLabs Technologies

作者：Opegbemi Matthias Busoye, Tolulope Matthew Busoye, Eghonghon-aye Eigbe

AI 总结：本文证明词共现统计的群不变性决定嵌入几何，将圆与品客流形推广至任意有限群、紧致群及齐次空间，并在月份、和弦及天体表示中验证了不可约表示结构。

链接：https://arxiv.org/abs/2610.00647

机构：Stanford University（斯坦福大学）； University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）

作者：Liam Storan, Andreas Tolias, Nina Miolane

AI 总结：本研究提出ORBIT-FMIB诊断框架，通过Walsh分解和神经依赖估计探究ESM-2是否保留高阶上位性信息，重复实验表明证据不足，方向性问题仍待解决。

链接：https://arxiv.org/abs/2610.00672

机构：University of Central Florida（中佛罗里达大学）

作者：Maryam Rahimimovassagh, Ivan Garibay, Niloofar Yousefi

AI 总结：本文提出LabBook，一种智能体维护的实验历史记忆，通过分离完整历史保留与选择性上下文构建，在49个Frontier-CS问题上改善了质量-成本权衡，并在多个任务上保持竞争力。

链接：https://arxiv.org/abs/2610.00675

机构：Georgia Institute of Technology（佐治亚理工学院）； University of Virginia, Charlottesville（弗吉尼亚大学）

作者：Bo Yuan, Wenqian Ye, Zelin Zhao, Lama Moukheiber, Henry Kautz, Aidong Zhang, Yongxin Chen

AI 总结：本研究在 hZACH-ViT 中考察曲率对对抗鲁棒性的影响，发现庞加莱头的曲率与尺度、边界效应共同作用，降低曲率虽提升干净性能却显著增加攻击成功率，表明其鲁棒性并非内在属性。

链接：https://arxiv.org/abs/2610.00680

机构：BioML, Research Institute CODE, University of the Bundeswehr Munich（慕尼黑联邦国防军大学 CODE 研究所 BioML）； Amsterdam UMC, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹医学中心）

作者：Athanasios Angelakis, Marta Gomez-Barrero

AI 总结：提出巨正则系综生成器（GCG），扩展玻尔兹曼生成器至巨正则系综，通过两种设计联合采样粒子数与构型，并在Lennard-Jones流体和沸石吸附中准确重现可观测量。

链接：https://arxiv.org/abs/2610.00683

机构：University of Toronto（多伦多大学）； NVIDIA（英伟达）； Vector Institute（向量研究所）； ETH Zurich（苏黎世联邦理工学院）； NCCR Catalysis（瑞士国家研究能力中心催化分部）； Acceleration Consortium（加速联盟）； CIFAR（加拿大高等研究院）

作者：Andreas Burger, Malte Franke, Luka Mucko, Kjell Jorner, Alan Aspuru-Guzik

AI 总结：SkillSpec通过共识门控演化与表示特化两阶段框架，提升LLM智能体技能的可重用性与成功率，在六个基准上平均提升6.89%。

链接：https://arxiv.org/abs/2610.00704

机构：Microsoft AI（微软人工智能）

作者：Huancheng Chen, Xiaodi Sun, Zhaoqiong Huang, Shenyang Huang Shreya Singhal, Jingwen Lu

AI 总结：本研究提出通过初始并行探索阶段初始化迭代优化，以提升大语言模型驱动的发现任务的成功率，并在多个框架和任务中验证了其一致收益。

链接：https://arxiv.org/abs/2610.00707

机构：University of Chicago（芝加哥大学）； Vector Institute（向量研究所）； University of Toronto（多伦多大学）

作者：Mansi Sakarvadia, Marco Ciccone, Colin Raffel

AI 总结：针对测试时动态变化导致世界模型预测不可靠的问题，提出JEPA-TTT方法，通过持续自监督测试时训练调整潜在动态预测器，在多种动态变化下显著降低预测误差并提升规划性能。

链接：https://arxiv.org/abs/2610.00722

机构：Honda Research Institute USA（本田美国研究院）； Johns Hopkins University（约翰斯·霍普金斯大学）

作者：Zheyuan Zhang, Suyu Ye, Nakul Agarwal, Hossein Nourkhiz Mahjoub, Ehsan Moradi Pari, Daniel Khashabi, Tianmin Shu, Vaishnav Tadiparthi

AI 总结：提出嫁接方法，在预训练检查点训练SDF适配器并应用于后训练模型，以低成本实现预训练干预，减少现实漂移并保持信念强度。

链接：https://arxiv.org/abs/2610.00767

机构：ETH Zurich（苏黎世联邦理工学院）； Carnegie Mellon University（卡内基梅隆大学）； MATS； Astra Fellowship（Astra 奖学金）； George Washington University（乔治华盛顿大学）

作者：Peter Nutter, Dani Roytburg, Clément Dumas, Jinghua Ou, Shi Feng

AI 总结：本文提出训练感知的目标覆盖（TATC）方法，基于线性理论量化合成数据对目标任务的边际价值，在微调中通过选择有益候选并扩展目标相关覆盖，在数学推理任务上优于其他选择方法。

链接：https://arxiv.org/abs/2610.00814

机构：Arizona State University（亚利桑那州立大学）

作者：Yang Ba, Michelle V. Mancenido, Rong Pan

AI 总结：本研究通过分析维多利亚州285万次救护车出勤数据，量化了救护车滞留的规模与动态，发现累计损失149万小时，且滞留与医院到达并发性相关，为医院状态感知的救护车路由提供了经验依据。

链接：https://arxiv.org/abs/2610.00818

机构：The Centre of Excellence in Paramedicine (CoEP), Victoria University（卓越急救医学中心（CoEP），维多利亚大学）； Center for Research and Evaluation Ambulance Victoria（维多利亚救护车研究与评估中心）

作者：Ayesha Tanveer, Khandakar Ahmed, Assefa Teshome, Oyetunde Gbadeyan, Ziad Nehme

AI 总结：本研究以ARC-1D为测试平台，证明超网络能从少量演示即时生成专用模型参数，形成结构化权重空间，支持组合泛化及对未见变换的泛化，移除任务标识符可提升泛化。

链接：https://arxiv.org/abs/2610.00820

机构：University of Oxford（牛津大学）

作者：Fabio J. Fehr, Philip Torr

AI 总结：AnyJev 通过一次预填充从指令调优语言模型中读取类型化决策，无需训练即可纠正标签和位置偏差，并在多个模型上提升准确率，同时减少预填充次数以加速服务。

链接：https://arxiv.org/abs/2610.00831

机构：Nokia（诺基亚）； Tencent Hunyuan（腾讯混元）； The Hong Kong Polytechnic University（香港理工大学）

作者：Jiamu Zhang, Tianze Yang, Yucheng Shi, Evan Chen, Zixiang Nie, Kelly Wan, Liangjie Hong, Ninghao Liu, Liang Wu

AI 总结：本研究针对膀胱癌复发预测中模型学习到与医学直觉相反的关系（更严重癌症预测更低风险）的问题，提出反事实方向测试和单调约束框架，在不损失性能的情况下检测并修复此缺陷，确保模型符合临床预期。

链接：https://arxiv.org/abs/2610.00858

机构：Newcastle University（纽卡斯尔大学）； University of Southampton（南安普顿大学）； Freeman Hospital（弗里曼医院）； Imperial College London（帝国理工学院）

作者：Saram Abbas, David Thomas, Naeem Soomro, Rishad Shafik, Rakesh Heer, Kabita Adhikari

AI 总结：本文研究CEM中世界模型评分误差对决策和候选生成的双重影响，通过四种模型和十二个单元实验，发现评分器差异大于候选池差异，并验证了环境排序更新可降低最终成本。

链接：https://arxiv.org/abs/2610.00921

机构：UNSW Sydney（新南威尔士大学）； Harz University of Applied Sciences（哈尔茨应用科学大学）

作者：Oliver Obst, Frieder Stolzenburg

AI 总结：本文提出柏拉图式任务向量与通用任务描述符，通过最小二乘或低秩适配器实现跨异构模型的任务知识迁移与组合，保留74-80%性能。

链接：https://arxiv.org/abs/2610.00929

机构：TelePIX

作者：Junghwan Park, Woojin Cho

AI 总结：提出GUI-HARVEST，一种自动工具链优化器，通过证据驱动的诊断和验证，使冻结骨干的GUI智能体自我改进，在多个基准上显著提升性能。

链接：https://arxiv.org/abs/2610.00948

机构：The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））； Tianjin University（天津大学）； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））； East China Normal University（华东师范大学）； Shenzhen Research Institute of Big Data（深圳市大数据研究院）

作者：Geyi Yang, Zikun Qu, Xiang Li, Zhiyong Wang, Min Zhang, Shipei Zeng, Zhongxiang Dai

AI 总结：提出可审计代数计数场ACF，从Apo结构预测隐秘口袋残基，无需序列搜索或语言模型，在外部集合上超过P2Rank，并提供可检查的预测路径。

链接：https://arxiv.org/abs/2610.00988

机构：Pfizer（辉瑞）

作者：Shan Yu, Xuening Wu

AI 总结：SLIM通过混料设计构建二次代理模型优化LLM合并系数，以最少评估实现准确预测和竞争性合并性能。

链接：https://arxiv.org/abs/2610.01037

机构：The University of Tokyo（东京大学）

作者：Seongcheol Jeong, Masahiro Suzuki, Yutaka Matsuo

AI 总结：提出核化激活引导（KAS）框架，将激活引导提升至再生核希尔伯特空间，实现局部自适应非线性引导，在越狱大语言模型和图像风格控制等任务中优于或媲美现有方法。

链接：https://arxiv.org/abs/2610.01062

机构：National University of Singapore（新加坡国立大学）； Hanoi University of Science and Technology（河内理工大学）

作者：Laziz U. Abdullaev, Minh-Hieu Pham, Bach Do, Khoat Than, Tan M. Nguyen

AI 总结：GLoC-EHR是一种多模态语言模型，通过全局和局部记忆编码EHR轨迹，经GRPO训练实现证据引证推理，在MIMIC-IV任务上取得最高宏AUROC，并成功迁移至EHRSHOT。

链接：https://arxiv.org/abs/2610.01076

机构： Seoul National University College of Medicine（首尔大学医学院）； Seoul National University Hospital（首尔大学医院）； Healthcare AI Research Institute, Seoul National University Hospital（首尔大学医院医疗AI研究所）

作者：Chaiho Shin, Kwangsoo Kim

AI 总结：针对子群体偏移下表格基础模型对弱势群体表现不佳的问题，提出无需真实群体标注的参数高效鲁棒适应框架DR-TFM，仅更新0.016%参数，在多个基准上显著提升最差群体准确率。

链接：https://arxiv.org/abs/2610.01143

机构：Pohang University of Science and Technology（浦项科技大学）

作者：Seonghwi Kim, Sung Ho Jo, Minwoo Chae

AI 总结：本研究通过追踪预训练过程中不同检查点的块旁路响应，发现深度排序保持稳定但幅度变化，且变化集中在重复位置，表明层敏感性有结构但非静态，单检查点干预需结合训练演化背景。

链接：https://arxiv.org/abs/2610.01165

机构：Beijing University of Civil Engineering and Architecture（北京建筑大学）； Beijing Institute of Mathematical Sciences and Applications (BIMSA)（北京雁栖湖应用数学研究院）； Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）

作者：Shengye Tao, Yinzhu Cheng, Haihua Xie

AI 总结：针对标准信息瓶颈无法独立调节标签相关与组内信息的问题，提出基于标签诱导划分的双瓶颈公式，通过条件KL分解控制干扰变异，在低数据分类和密集预测中取得一致改进。

链接：https://arxiv.org/abs/2610.01175

机构：The University of Sydney（悉尼大学）

作者：Jingyao Zhang, Yuxuan Li, Lu Han, Ali Anaissi, Nguyen H. Tran

AI 总结：针对潜在世界模型规划中潜在状态误差导致决策失败的问题，提出将成功准则量作为辅助训练目标，仅此损失即在两个任务上显著提升成功率，表明成功准则可直接作为训练目标。

链接：https://arxiv.org/abs/2610.01224

机构：Kyoto University（京都大学）； Fujitsu Limited（富士通株式会社）

作者：Takumi Hara, Kanata Suzuki

AI 总结：提出REPAIR方法，通过比较缓存表示与偏好状态来修复个性化编码器的有损状态，在冻结编码器和任务头的情况下提升推荐和生成性能。

链接：https://arxiv.org/abs/2610.01270

作者：Parthiv Chatterjee, Dhiraj Golhar, Ummesalma Diwan, Sourish Dasgupta, Manjunath Joshi, Tanmoy Chakraborty

AI 总结：提出 Clifford 层状神经网络（CSNN），一种等变层状网络，通过 K 项三明治结构定义限制映射，实现图级等变回归，并刻画了映射族的表达能力与条件数。

链接：https://arxiv.org/abs/2610.01322

机构：SyntheticGestalt KK（SyntheticGestalt 株式会社）

作者：Kotaro Kamiya, Joel Nicholls

AI 总结：针对非先知单机调度中无法实现常数竞争比的问题，提出利用分类模型混淆矩阵构建排列不确定性集的鲁棒框架，并给出最优非自适应策略及可超越它的自适应与随机算法。

链接：https://arxiv.org/abs/2610.01343

机构：Univ. Marie et Louis Pasteur（玛丽-路易斯·巴斯德大学）； CNRS（法国国家科学研究中心）； institut FEMTO-ST（FEMTO-ST研究所）； Université de Lorraine（洛林大学）

作者：Anthony Dugois, Vincent Fagnon, Giorgio Lucarelli

AI 总结：提出基于离散Wasserstein几何的KL梯度流框架，通过马尔可夫跳跃实现有限状态空间上的一步生成建模，验证了动力学一致性与生成器跟踪能力。

链接：https://arxiv.org/abs/2610.01355

机构：Imperial College London（帝国理工学院）； Aalborg University（奥尔堡大学）； Centre for Frontier AI Research (CFAR)（前沿人工智能研究中心）； Institute of Advanced Intelligence and Computing (IAIC)（先进智能与计算研究所）； A*STAR（新加坡科技研究局）； University of Copenhagen（哥本哈根大学）

作者：Alessandro Micheli, Andrea Zerio, Samir Bhatt

AI 总结：针对端口-哈密顿神经网络只能表示单一吸引子系统的局限，提出将哈密顿函数参数化为Bregman散度乘积，实现多稳定平衡点建模，并提升收敛速度1.8-8.5倍。

链接：https://arxiv.org/abs/2610.01356

机构：Ruhr University Bochum（波鸿鲁尔大学）； Hamburg University of Technology（汉堡工业大学）

作者：Simon Heilig, Jens Püttschneider, Mohammad Itani, Asja Fischer, Timm Faulwasser

AI 总结：本文提出不动点引导的层次化约简方法，通过先训练冗余AL-RNN再逐步线性化约简，实现最小动力学表示，并在蔡氏系统上将成功率从20%提升至约71%。

链接：https://arxiv.org/abs/2610.01369

机构：Osaka Metropolitan University（大阪公立大学）； International Research Center for Neurointelligence (IRCN), The University of Tokyo（东京大学国际神经智能研究中心）； Nagoya Institute of Technology（名古屋工业大学）

作者：Hiroto Tamura, Gouhei Tanaka

AI 总结：本文提出项目上的动作偏好流模式，通过共享更新机制统一处理不同交互历史，并实现预测性与生成性个性化，实验验证了跨源学习的有效性。

链接：https://arxiv.org/abs/2610.01375

作者：Parthiv Chatterjee, Kashish Kanjaria, Vashisth Purani, Sourish Dasgupta, Tanmoy Chakraborty

AI 总结：提出最小时间梯度流，通过正则化使风险按指定动力学精确衰减，证明最优解存在唯一且为线性缩放摆线，并给出接近零风险时的最优速率指数。

链接：https://arxiv.org/abs/2610.01426

机构：University of Padua（帕多瓦大学）； University of Siena（锡耶纳大学）； University of Florence（佛罗伦萨大学）

作者：Alessandro Betti, Marco Gori, Stefano Melacci, Jinwei Zhao

AI 总结：ibUMAP通过同步场评估和FFT加速，解决了UMAP随机负采样导致的嵌入不稳定问题，在CPU和GPU上实现数倍加速并保持质量。

链接：https://arxiv.org/abs/2610.01445

机构：University of Konstanz（康斯坦茨大学）； Renmin University of China（中国人民大学）

作者：Bin Chen, Yumeng Xue, Patrick Paetzold, Yunhai Wang, Oliver Deussen

AI 总结：针对部署后任务过时问题，提出深度重新利用（DR）框架，通过估计潜在几何结构、移除过时组件并解析修复映射，无需梯度更新即可消除过时行为，同时保持保留任务准确率，且适应速度比现有遗忘方法快60倍。

链接：https://arxiv.org/abs/2610.01453

机构：University of York（约克大学）； Cyprus University of Technology（塞浦路斯理工大学）

作者：Daniel Bethell, Charmaine Barker, Simos Gerasimou

AI 总结：针对鲁棒最大最小多样化问题，提出一种确定性基于核心集的流式算法，在内部点-离群点分离假设下返回恰好 $k$ 个内部点，达到 $(2+\varepsilon)$ 近似，内存和更新代价与 $n$ 无关。

链接：https://arxiv.org/abs/2610.01456

机构：University of Padova（帕多瓦大学）

作者：Andrea Pietracaprina, Geppino Pucci, Stefano Zanon

AI 总结：FedMIX-P通过每步混合共享与局部预条件子，降低联邦训练中的算子不匹配，理论保证O(R^{-1/2})平稳性，实验在视觉与语言任务上提升准确率最高19.47个百分点。

链接：https://arxiv.org/abs/2610.01515

机构：Tianjin University（天津大学）

作者：Junkang Liu

AI 总结：本研究针对非马尔可夫决策过程，提出PEC算法在线性时间内判定模型可区分性，并证明等价模型后验几率不变，实验表明该算法能恢复失效的可区分性假设。

链接：https://arxiv.org/abs/2610.01527

机构：Nirma University（尼尔玛大学）； Google（谷歌）

作者：Kabir Murjani, Nisarg Patel

AI 总结：QK-Wanda通过耦合查询与键的删除成本进行非结构化剪枝，无需梯度更新，在多个大模型上降低QK重建误差并提升下游性能，同时揭示局部重建预测模型质量的局限。

链接：https://arxiv.org/abs/2610.01554

机构：KAUST（阿卜杜拉国王科技大学）

作者：Ivan Ilin, Peter Richtárik

AI 总结：本文提出LS-B方法，利用fMRI脑读出信号指导持续学习者的适配器放置，无需搜索即可在中间层实现高效专业化，性能接近全适配器且存储大幅降低。

链接：https://arxiv.org/abs/2610.01590

机构：Northeastern University（东北大学）

作者：Yuan Huang, Zihan Chen, Runbin Zhang, Hongwei Ding, Changzeng Fu, Shiqi Zhao

AI 总结：针对候选顺序影响决策评分的问题，提出候选无关块因果注意力，阻断跨候选信息流并重置位置，在多个骨干上降低排列敏感性且保持决策质量。

链接：https://arxiv.org/abs/2610.01601

机构：Independent Researcher（独立研究者）

作者：Guy Amit

AI 总结：本文提出基于Grid5000日志估算深度学习音频项目开发阶段能耗的方法，发现开发能耗是训练最佳模型的3至256倍，呼吁全生命周期报告能耗。

链接：https://arxiv.org/abs/2610.01619

机构：Centrale Med, Aix Marseille Univ（中央理工学院，艾克斯-马赛大学）； CNRS, LIS（法国国家科学研究中心，信息与系统实验室）； Université de Lorraine, CNRS（洛林大学，法国国家科学研究中心）； Inria, LORIA（法国国家信息与自动化研究所，洛林计算机科学实验室）

作者：Constance Douwes, Paul Magron, Romain Serizel

AI 总结：MCIR-M提出一种依赖感知的全局特征重要性方法，通过条件化强依赖邻居计算归一化比率，在多重共线性下提供稳定排序，并在合成与真实基准上验证了其有效性。

链接：https://arxiv.org/abs/2610.01641

机构：University of Oslo（奥斯陆大学）； Aalborg University（奥尔堡大学）

作者：Poushali Sengupta, Sabita Maharjan, Frank Eliassen, Shashi Raj Pandey, Yan Zhang

AI 总结：本研究通过控制归一化来源，评估了基于伪影标注预训练的 SAFE-EDA 模型在腕部 EDA 情感识别中的效果，发现预训练增益仅在未使用用户自身数据时显著，且伪影监督优于自监督，强调了报告归一化选择的重要性。

链接：https://arxiv.org/abs/2610.01692

机构：Northeastern University（东北大学）

作者：Haochen Chai, Xinbi Luo, Zining Liu, Fangfang Jiang

AI 总结：本文提出格林观测算子（GObO），通过将周围介质映射为受限格林核，实现子流形间PDE动力学的零样本预测，误差较黑盒替代模型降低4-8倍，且支持跨分辨率迁移与非线性修正。

链接：https://arxiv.org/abs/2610.01697

机构：German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）； Rheinland-Pfälzische Technische Universität (RPTU)（莱茵兰-普法尔茨工业大学）； University of Manchester（曼彻斯特大学）

作者：Jan Tauberschmidt, Jephte Abijuru, Samuel Okon, Naukshatro Bose, Sophie Fellenz, Marius Kloft, Jonas Latz, Sebastian Josef Vollmer

AI 总结：本研究证明在教师-学生设置中，可学习的线性跳跃连接能消除浅层ReLU网络的伪局部极小值，即使过参数化也无法移除的伪极小值可被跳跃连接去除，且学生特征位于教师特征张成空间内。

链接：https://arxiv.org/abs/2610.01728

机构：Freie Universität Berlin（柏林自由大学）； Technische Universität Berlin（柏林工业大学）； Max Planck Institute for Mathematics in the Sciences, Leipzig（马克斯·普朗克数学科学研究所）

作者：Jakob Paul Zimmermann, Moritz Grillo, Andrei Balakin, Georg Loho

AI 总结：本文提出离散吉布斯迭代神经采样器，一种定点神经采样器，解决现有离散神经采样器的模式崩溃、无收敛保证和依赖特定参考过程等问题，实现高效可扩展学习，并扩展到高维系统和合金相图估计。

链接：https://arxiv.org/abs/2610.01739

机构：University of Cambridge（剑桥大学）； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）； MIT（麻省理工学院）； Microsoft Research New England（微软研究院新英格兰分院）

作者：Jiajun He, Denis Blessing, Mouyang Cheng, Yuanqi Du, Carles Domingo-Enrich

AI 总结：提出证据门控研究（EGR）作为自适应搜索中模型采纳的统计控制层，通过冻结挑战者并构建随时有效证据来控制错误发现率，实验表明其比现有方法节省56.1%的决策证据且无持久虚假采纳。

链接：https://arxiv.org/abs/2610.01751

机构：Stony Brook University（石溪大学）

作者：Yifan Guo

AI 总结：提出突变增强的技能自进化框架SkillEvoLean，通过渐进式与突变式更新共同进化求解策略和参考知识，在多个数学基准上显著提升Lean证明成功率。

链接：https://arxiv.org/abs/2610.01799

机构：Peking University（北京大学）

作者：Kuo Zhou, ZiXion Yang, Lu Zhang

AI 总结：本研究证明安全响应平均嵌入作为原型无法可靠区分安全与不安全响应，而显式安全减不安全参考方向在多个数据集上显著提升性能，表明类均值是位置而非安全方向。

链接：https://arxiv.org/abs/2610.01801

机构：New York University（纽约大学）

作者：Sahil Kadadekar

AI 总结：MECHVAR提出一种基于后验加权方差的轻量级获取规则，用于有限库自主机器学习实验选择，在保持可审计性的同时实现高效评分，并在多个中等错误设定下优于先确认策略。

链接：https://arxiv.org/abs/2610.01819

机构：Stony Brook University（石溪大学）

作者：Yifan Guo

AI 总结：本研究系统评估RNN和Transformer在纤维束成像中的性能，引入生成-验证阶段实现流线级监督，在ISMRM2015数据集上达到最高性能，并量化了训练数据缺陷的影响。

链接：https://arxiv.org/abs/2610.01894

作者：Emmanuelle Renauld, Philippe Poulin, Hugo Larochelle, Antoine Théberge, Maxime Descoteaux

AI 总结：本研究提出潜在JEPA框架，结合自回归学习与联合嵌入预测，通过训练连续潜在思维预测未来视图，在ChemCoTBench上提升分子优化及编辑反应指标，验证抽象未来预测作为连接潜在推理与科学结果的学习原则。

链接：https://arxiv.org/abs/2610.01947

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

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

AI 总结：SIEVE通过抑制遗忘样本的注意力值并匹配保留样本表示，实现了视觉-语言模型中对个人可识别信息的选择性遗忘，在保持保留知识的同时达到最先进性能。

链接：https://arxiv.org/abs/2610.01962

机构：Nanyang Technological University（南洋理工大学）

作者：Si Qi Goh, Cap Dang Xuan Kiet, Tat-Jen Cham, Kwok-Yan Lam

AI 总结：FastCI通过运行时证据选择受影响测试、剪除等价上下文测试、优先高风险测试并优化工作负载，将LLM训练框架CI延迟降低77.5%，GPU资源减少63.9%，并提高覆盖率保持率。

链接：https://arxiv.org/abs/2610.01967

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

作者：Tianshuo Qiao, Naiqian Zheng, Xiaopeng Liu, Shuguang Wang, Diandian Gu, Xuanzhe Liu, Xin Jin

AI 总结：针对仿真到实验微调导致仿真性能下降的问题，提出联合训练多目标学习方法，在RealPDEBench四个流体系统上实现最佳平衡预测并保留仿真知识。

链接：https://arxiv.org/abs/2610.01974

机构：Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）

作者：Mahindra Rautela, Alexander Scheinker, Ayan Biswas, Diane Oyen, Nathan DeBardeleben, Earl Lawrence

AI 总结：本研究针对线性优化中决策聚焦学习的非光滑问题，证明平均后曲率局部二次，给出闭合形式及可计算近似，并应用于场景生成，实验显示30.8%的遗憾改进。

链接：https://arxiv.org/abs/2610.01980

机构：Auburn University（奥本大学）； University of Alabama（阿拉巴马大学）

作者：Konstantinos Ziliaskopoulos, Alexander Vinel, Alice E. Smith

AI 总结：BranchIP通过自适应张量积计算和蒸馏损失，在保持物理精度下加速MLIPs达2.4倍并减少内存2.6倍，同时增强模型可解释性。

链接：https://arxiv.org/abs/2610.02013

机构：Harvard University（哈佛大学）； Robert Bosch LLC Research and Technology Center（罗伯特·博世有限责任公司研究与技术中心）

作者：Laura Zichi, Gil Harari, Chuin Wei Tan, Marc L. Descoteaux, Albert Zhu, Menghang Wang, Yoel Zimmermann, H.T. Kung, Boris Kozinsky

AI 总结：本文通过SimpleTimeBench诊断套件发现，主流时间序列基础模型在基本时间模式及外生协变量利用上存在零样本盲区，微调反而损害泛化能力，揭示预训练规模与基本推理间的差距。

链接：https://arxiv.org/abs/2610.02058

机构：Layer6 AI

作者：Nafiseh Ghoroghchian, Haipeng Zhang, Shuyi Han, Alex Labach, George Stein

AI 总结：本研究揭示机械可解释性中目标级恢复差距：干预定义的忠实度可能偏好行为复现较差的电路，导致发现算法错误排序，恢复信号可修复多数错误排序。

链接：https://arxiv.org/abs/2610.02098

机构：University of Toronto（多伦多大学）； McGill University（麦吉尔大学）

作者：Chuqin Geng, Li Zhang, Haolin Ye, Mark Zhang, Luke Zhang, Xujie Si

AI 总结：本文提出局部支持学习（LSL），通过门控机制使梯度更新局部于当前数据分布，解决大规模预训练模型（高达70亿参数）在多个训练阶段中的灾难性遗忘，同时高效保留预训练与微调能力。

链接：https://arxiv.org/abs/2610.02126

机构：MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）； Tel Aviv University（特拉维夫大学）

作者：Assaf Ben-Kish, Akarsh Kumar, James Glass, Raja Giryes

AI 总结：针对非凸且非梯度-Lipschitz 势的矩阵空间 Gibbs 采样，提出非二次动能驱动的欠阻尼 Langevin 系统，实现动量预处理，证明测度不变性与指数收敛，并保证离散化算法的稳定性。

链接：https://arxiv.org/abs/2610.02158

机构：University of Edinburgh（爱丁堡大学）； National Technical University of Athens（雅典国立技术大学）； Athena/Archimedes Research Centre（Athena/Archimedes 研究中心）

作者：Nikolaos Makras, Sotirios Sabanis

AI 总结：本文提出LoopCD，一种无需训练的对比解码框架，利用循环Transformer的中间状态作为引导信号，在减少推理计算的同时提升解码质量，并支持循环次数减半。

链接：https://arxiv.org/abs/2610.02185

机构：Apple（苹果公司）

作者：Weihao Liu, Huangjie Zheng, Tianrong Chen, Rohit Dilip, Richard He Bai, Yizhu Jiao, Yuyang Wang, Ruixiang Zhang

AI 总结：针对大语言模型微调中的步长选择难题，提出零阶与一阶混合优化框架ZFO，解耦方向与步长，利用两次额外评估构建局部模型自适应选步，理论保证收敛，实验显示优于固定步长基线。

链接：https://arxiv.org/abs/2610.02190

机构：University of Central Florida（中佛罗里达大学）； Mohammed VI Polytechnic University（穆罕默德六世理工大学）

作者：Cristian McGee, El Houcine Bergou, Aritra Dutta

AI 总结：TACO是一种新型优化器，通过逐列选择最大绝对值项的符号计算最速下降方向，大幅减少优化器状态内存，实现单GPU上30-32B模型的全参数微调，且保持精度和效率。

链接：https://arxiv.org/abs/2610.02199

机构：University of Central Florida（中佛罗里达大学）； Mohammed VI Polytechnic University（穆罕默德六世理工大学）

作者：Jichao Jiang (1), Cristian McGee (1), El Houcine Bergou (2), Hanqin Cai (1), Aritra Dutta (1) ((1) University of Central Florida, (2) Mohammed VI Polytechnic University)