机器学习学术速递[10.26]

AI 总结：该研究针对人机协作中零样本协作的难题，提出基于人类生理约束的认知约束伙伴训练框架，在月球着陆器环境中验证其能提升智能体与真实人类的协作性能，且性能不依赖训练伙伴生成方式。

链接：https://arxiv.org/abs/2610.31726

机构：University of Exeter（埃克塞特大学）

作者：Ash Simmons, George De Ath, Richard M. Everson

AI 总结：本文提出可微扩散条件模型（D2C），将冻结条件扩散模型转化为端到端梯度优化器，在三类任务上取得最优或最佳平均排名，解决离线MBO的保守性等问题。

链接：https://arxiv.org/abs/2610.31721

机构：Hewlett Packard Enterprise（惠普企业）； University of Rochester（罗切斯特大学）

作者：Ricardo Luna Gutierrez, Vineet Gundecha, Rahman Ejaz, Varchas Gopalaswamy, Riccardo Betti, Sahand Ghorbanpour, Aarne Lees, Soumyendu Sarkar

AI 总结：针对金融犯罪分析中多图神经网络对抗鲁棒性未被充分探索的问题，提出基于节点-边关联矩阵的结构攻击与对抗训练框架，结合循环正则化，实验验证其攻击有效性及对抗训练的防御作用。

链接：https://arxiv.org/abs/2610.31718

机构：Delft University of Technology（代尔夫特理工大学）

作者：Dennis Heijmans, H. Çağrı Bilgi, Rui Wang, Kubilay Atasu

AI 总结：针对现有微服务多模态异常检测的两大局限，提出基于LLM的LLMMAD框架，通过分模态重构与预测驱动自回归目标优化，在三个数据集上F1分数提升显著，性能优于现有最优方法。

链接：https://arxiv.org/abs/2610.31722

机构：School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院）； Peng Cheng Laboratory（鹏城实验室）

作者：Yixiang Tang, Fagui Liu, Guoxiang Zhong, Xi Yao, C.L. Philip Chen

AI 总结： 针对室内无线电地图估计需标注数据、隐私难集中的问题，提出Poly-Ripple框架，采用波纹顺序自回归建模与重要性感知聚合，实验显示其优于代表性ICL基线。

链接：https://arxiv.org/abs/2610.31702

机构：University of North Florida（北佛罗里达大学）； University of Florida（佛罗里达大学）

作者：Yuanzhe Peng, Jie Xu

AI 总结：本文综述NDE 4.0相关内容，梳理从手动检测到数字化自主检测的演变，指出超声与视觉检测为主流物理技术，深度学习等为核心算法，分析数据集稀缺、AI黑箱等瓶颈，提出含XAI等的研究缺口及未来集成路线图。

链接：https://arxiv.org/abs/2610.31704

机构：Northern Illinois University（北伊利诺伊大学）； Spirit AeroSystems (Boeing)（Spirit AeroSystems（波音公司））； Argonne National Laboratory（阿贡国家实验室）

作者：Ashiqur Rahmana, Venkata Devesh Reddy Seethi, Zachary Kral, Austin Yunker, Rajkumar Kettimuthu, Hamed Alhoori

AI 总结：该研究探究预训练LeWM对微小动作变化的重现能力，通过Gram矩阵在三尺度下测量动作敏感性，发现不同数据集的中位角及扰动缩放的差异，指出需特定尺度评估动作敏感性，其对控制的影响仍待研究。

链接：https://arxiv.org/abs/2610.31716

机构：Technological School Electronic Systems (TUES)（电子系统技术学院（TUES））； Massachusetts Institute of Technology（麻省理工学院）

作者：Vasil Vasilev, Siddharth Nayak

AI 总结：本研究揭示了Muon预条件化的作用机制，证明其可减弱任务频率依赖、避免SignSGD的旋转负迁移，经实验验证并展现了在大语言模型训练中的应用潜力。

链接：https://arxiv.org/abs/2610.31728

机构：School of EECS, Peking University（北京大学电子工程与计算机科学学院）； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心）； Center for Data Science, Peking University（北京大学数据科学中心）； Key Laboratory of Interdisciplinary Research of Computation and Economics, Shanghai University of Finance and Economics（上海财经大学计算与经济学交叉研究重点实验室）； State Key Laboratory of General Artificial（北京大学通用人工智能国家重点实验室）

作者：Xiaoran Chen, Binghui Li, Liwei Wang, Pinyan Lu