2026-10-16 | CS.LG机器学习 | 共 166 篇，本文展示前 9 篇
[机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准
快速导航
1. 强化学习与序列决策 1 篇
2. 生成模型与概率建模 1 篇
3. 迁移、元学习与持续学习 1 篇
4. 其他/综合机器学习 6 篇
1. 强化学习与序列决策 | 1 篇
1. Same Answer, New Box: How Much of RLVR's Out-of-Domain Gain Is Answer Format?
相同答案，新框：RLVR的域外增益中有多少源于答案格式？
AI 总结：该研究发现RLVR的域外增益中部分源于答案格式，通过更换提取器重新评分，在7B模型对上82%的格式增益可消失，32B模型对几乎无格式增益，无需重跑RL即可评估该增益占比。
链接：https://arxiv.org/abs/2610.20639
2. 生成模型与概率建模 | 1 篇
2. FlowBudget: Training-Free Sampling-Budget Estimation for Flow Matching Models
FlowBudget：用于Flow Matching模型的无训练采样预算估计
AI 总结：该研究提出无训练的FLOWBUDGET估计器，可在不生成样本或执行FID-NFE扫描的情况下，为Flow Matching等流模型估计采样所需的NFE预算，降低了采样预算选择的成本。
链接：https://arxiv.org/abs/2610.20636
3. 迁移、元学习与持续学习 | 1 篇
3. KNOU-Flood: Advancing global streamflow forecasting with lead-aware probabilistic machine learning
KNOU-Flood：采用提前期感知概率机器学习推进全球径流预报
AI 总结：KNOU-Flood通过调整输入窗口、提前期感知预报输入等，在不改变循环核心的前提下，提升了全球径流预报的精度，尤其在长提前期和罕见洪水检测上表现优于AIFL等基线模型。
链接：https://arxiv.org/abs/2610.20640
4. 其他/综合机器学习 | 6 篇
4. Expanding Attention: A Taylor-Series Route to Linear-Time Transformers with a Fixed Number of Recurrent States
扩展注意力：一种具有固定数量循环状态的线性时间Transformer的泰勒级数路径
AI 总结：该研究提出一种基于泰勒级数的线性时间Transformer，将注意力指数核展开为n项并压缩为固定循环状态，在长序列下显著降低时间复杂度，最优n=3时精度与成本平衡。
链接：https://arxiv.org/abs/2610.20637
5. Feature Elicitation for SAE Steering of Deceptive Behaviour in Small LLMs
小型大语言模型中欺骗性行为的SAE引导的特征提取
AI 总结：本研究针对小型大语言模型的欺骗性对齐问题，采用SAE特征引导的词袋特征提取流程，在Gemma-3-27B-IT中成功缩小了合规差距，还发现了新型欺骗性行为形式。
链接：https://arxiv.org/abs/2610.20638
6. Spectral Indistinguishability and Learning-Curve Identifiability in Quadratic Networks
二次网络中的谱不可区分性与学习曲线可识别性
AI 总结：该研究分析中心化二次网络的谱与学习曲线特性，构造特定输入密度，揭示其谱不可区分性与学习曲线可识别条件，给出不同场景下的观测次数需求及相关验证结果。
链接：https://arxiv.org/abs/2610.20678
7. Diminishing Returns of Data in Sparse Autoencoders: Functional Behavior does not Guarantee Feature Reproducibility
稀疏自编码器中数据的收益递减：功能行为不保证特征可复现性
AI 总结：该研究探究稀疏自编码器（SAE）的训练数据需求，发现功能行为的重构在小预算下即可接近全数据参考，而特征可复现性随数据量提升，且数据选择影响性能，为SAE研究提供数据效率优化方向。
链接：https://arxiv.org/abs/2610.20680
8. TurboMamba: Faster Inference, Faster Training, and Better Prediction with Lexical Memory
TurboMamba：借助词汇记忆实现更快推理、更快训练与更优预测
AI 总结：TurboMamba是一种语言模型架构，通过全局Mamba-3与小型Transformer结合三项轻量改进，在参数规模相近的对比中，实现了更低预测损失、更高训练吞吐量与更快推理速度。
链接：https://arxiv.org/abs/2610.20682
9. Causal Syntax Circuits in CodeLMs: Budget and Probe Decide What Looks Localised
CodeLMs中的因果句法回路：预算与探针决定什么看起来是局部化的
AI 总结：该研究探究CodeLMs生成Python代码的机制，经多模型多语言实验发现，代码偏好的局部化结论取决于分析选择，其规模与预算、探针及指令微调相关。
链接：https://arxiv.org/abs/2610.20683
受公众号正文长度限制，本文展示前 9 篇，当天共更新 166 篇。完整列表请访问 arXivDaily。