2026-10-19 | CS.LG机器学习 | 共 126 篇，本文展示前 8 篇
[机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准
快速导航
1. 深度学习架构与训练方法 1 篇
2. 生成模型与概率建模 2 篇
3. 优化、泛化与理论分析 1 篇
4. 迁移、元学习与持续学习 2 篇
5. 其他/综合机器学习 2 篇
1. 深度学习架构与训练方法 | 1 篇
1. CGDT-CESN: Correlation-Guided and Dynamics-Trained Clustered Echo State Network for Multivariate Time-Series Prediction
CGDT-CESN：用于多变量时间序列预测的关联引导与动态训练聚类回声状态网络
AI 总结：本研究提出CGDT-CESN模型，通过关联引导的集群化储备池设计捕捉多变量时间序列的变量动态与交互，在两类数据集上的预测性能优于传统ESN，且低数据量下仍保持提升。
链接：https://arxiv.org/abs/2610.22430
2. 生成模型与概率建模 | 2 篇
2. Trust but Verify: Designing Region-Inhomogeneous Forward Dynamics for Discrete Diffusion
信任但要验证：为离散扩散设计区域非齐次前向动力学
AI 总结：该研究针对离散语言扩散的二元信任问题，设计区域非齐次前向动力学，通过微调1.7亿参数掩码扩散模型，提升了损坏上下文的检测能力与填补标记性能。
链接：https://arxiv.org/abs/2610.22380
3. Generative adversarial networks with Monte Carlo dropout uncertainty quantification for structural health monitoring: Fibre Bragg grating data augmentation comparison in Hawk T1A aircraft
结合蒙特卡洛 dropout 不确定性量化的生成对抗网络用于结构健康监测：Hawk T1A 飞机中光纤布拉格光栅数据增强的对比研究
AI 总结：本研究提出结合蒙特卡洛 dropout 不确定性量化的条件生成对抗网络数据增强框架，在 Hawk T1A 飞机数据集上验证其可生成真实结构响应，能提升损伤分类性能，为结构健康监测提供可靠数字孪生方案。
链接：https://arxiv.org/abs/2610.22436
3. 优化、泛化与理论分析 | 1 篇
4. When is a large language model a good calibration agent? Physics-labeled prompting for budgeted engineering simulator calibration
大型语言模型何时是良好的校准智能体？用于预算受限工程模拟器校准的物理标记提示
AI 总结：本研究探究LLM作为工程模拟器校准智能体的有效性，提出混合工作流将LLM热启动与传统优化器结合，仅用9次模拟器运行即达目标精度，优于单独LLM及多种标准优化器。
链接：https://arxiv.org/abs/2610.22379
4. 迁移、元学习与持续学习 | 2 篇
5. Binding-Specific Relearning Savings for Test-Time Continual Learning
测试时间持续学习的绑定特定重学习节省
AI 总结：该研究针对测试时间持续学习，以Qwen2.5-1.5B为对象，发现学习特定事实绑定可加快重学习速度、减少优化器更新量，且当前准确率会低估先前经验的持久影响。
链接：https://arxiv.org/abs/2610.22381
6. CF-NODE: Counterfactual Spatial Node Intervention for Test-Time Adaptation Under Domain Shift, Evaluated Across Five Diabetic Retinopathy Datasets
CF-NODE：用于分布偏移下测试时自适应的反事实空间节点干预，在五个糖尿病视网膜病变数据集上评估
AI 总结：本研究针对跨域DR分级中源训练模型的退化问题，提出CF-NODE反事实测试时自适应框架，通过空间节点干预与稳定性校准实现单图像独立自适应，在五个DR数据集上优于TENT等四种方法，提升了分级性能与鲁棒性。
链接：https://arxiv.org/abs/2610.22437
5. 其他/综合机器学习 | 2 篇
7. BOLT: Multi-Bottleneck Bound-Guided Learning for Flexible Job-Shop Scheduling with Time Lags and Resource-Coupled Transport
BOLT：面向含时间滞后与资源耦合运输的柔性作业车间调度的多瓶颈边界引导学习
AI 总结：BOLT是一种多瓶颈边界引导学习方法，用于解决含时间滞后与资源耦合运输的柔性作业车间调度问题，在预制建筑实例及生产批次中，其性能优于调度规则对、惩罚策略及约束规划求解器，决策与重规划效率较高。
链接：https://arxiv.org/abs/2610.22433
8. TRACE: Transformer Residual Activation Codebook Encoding for Communication-efficient Distributed Edge Inference
TRACE：用于通信高效分布式边缘推理的Transformer残差激活码本编码
AI 总结：提出Trace框架，在Transformer层后残差处用VQ编码激活值，实现通信计算重叠，在多个模型数据集上较现有方案提升准确率、速度并降低通信开销。
链接：https://arxiv.org/abs/2610.22435
受公众号正文长度限制，本文展示前 8 篇，当天共更新 126 篇。完整列表请访问 arXivDaily。