机器学习学术速递[11.3]

2026-11-03 | CS.LG机器学习 | 共 334 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. 表示学习、自监督与对比学习 2 篇

2. 强化学习与序列决策 1 篇

3. 图学习与结构化数据 1 篇

4. 迁移、元学习与持续学习 1 篇

5. 其他/综合机器学习 3 篇

1. 表示学习、自监督与对比学习 | 2 篇

1. KINDER: Kernel-based Independence for Fair Representation Learning via Prototype-space Erasure

KINDER：基于核的公平表示学习的原型空间擦除方法

AI 总结：提出KINDER方法，通过在随机傅里叶特征空间中擦除敏感子空间实现公平表示学习，在多任务多模态实验中验证其有效性，兼容各类深度模型

链接：https://arxiv.org/abs/2611.00264

机构：University of Tübingen（蒂宾根大学）； Zuse School ELIZA（楚塞ELIZA学校）； Middle East Technical University（中东技术大学）； Harvard University（哈佛大学）； MIT（麻省理工学院）

作者：Abtin Mogharabin, Alp Toykan Kaplan, Jiaee Cheong, Sinan Kalkan

2. DELBERT-2: Pretrained Fingerprint Language Models for DEL Protein Binder Prediction

DELBERT-2：用于DEL蛋白结合剂预测的预训练指纹语言模型

AI 总结：DELBERT-2是基于ModernBERT的预训练指纹语言模型，在六个靶点的三种分布外协议评估中，相比基线方法显著提升了DEL蛋白结合剂预测的PR-AUC等指标，实现了实用的DEL虚拟筛选。

链接：https://arxiv.org/abs/2611.00281

机构：University of Waterloo（滑铁卢大学）； National Research Council of Canada（加拿大国家研究委员会）

作者：Bing Hu, Sun Sun, Shaik Salman Basha, Anita Layton, Helen Chen

2. 强化学习与序列决策 | 1 篇

3. FB-MOAC: A Reinforcement Learning Algorithm for Forward-Backward Markov Decision Processes

FB-MOAC：一种用于前后向马尔可夫决策过程的强化学习算法

AI 总结：本研究针对同时具备前后向动态的问题，提出FB-MDP概念，开发理论框架与分步模板，设计FB-MOAC算法，经数学金融等场景验证，该算法性能优于现有技术。

链接：https://arxiv.org/abs/2611.00130

机构：Aalto University（阿尔托大学）

作者：Mohsen Amidzadeh, Mario Di Francesco

3. 图学习与结构化数据 | 1 篇

4. Interpretable structural temperature scaling for calibrating graph neural networks and point-cloud segmentation

用于校准图神经网络和点云分割的可解释结构温度缩放

AI 总结：提出可解释结构温度缩放（ISTS），为图神经网络和点云分割校准，在多数据集上表现最优，可追溯温度决策，提升校准效果。

链接：https://arxiv.org/abs/2611.00175

机构：University College London（伦敦大学学院）

作者：Chenyi Huang

4. 迁移、元学习与持续学习 | 1 篇

5. ProLand: A New Infeasible Manifold Optimization Method for LoRA Fine-Tuning

ProLand：一种用于LoRA微调的新型不可行流形优化方法

AI 总结：该研究针对LoRA微调的冗余问题，提出无收缩优化器ProLand，结合协调因子更新与Muon风格方向，在11项跨模型的语言任务中取得对比方法的最高平均得分。

链接：https://arxiv.org/abs/2611.00236

机构：Shanghai Jiao Tong University（上海交通大学）； Shanghai Institute for Mathematics and Interdisciplinary Sciences (SIMIS)（上海数学与交叉科学研究所）； Stanford University（斯坦福大学）

作者：Chenyu Zhou, Yuxuan Zeng, Qi Deng, Dongdong Ge, Yinyu Ye

5. 其他/综合机器学习 | 3 篇

6. Output-Aware Block Influence: Jacobian-Lens Weighting for Depth Pruning

输出感知的块影响力：用于深度剪枝的雅可比透镜加权

AI 总结：该研究针对Transformer深度剪枝的块影响力准则局限，提出结合雅可比透镜的J-BI方法，在三款模型上使剪枝后准确率提升最多19个百分点，同时降低困惑度损伤。

链接：https://arxiv.org/abs/2611.00015

机构：University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）； University of the Cumberlands（坎伯兰大学）； Amazon Science（亚马逊科学）； Algoverse Research（Algoverse研究机构）

作者：Kyle Lemoi, Jonathan Yong, Shubhankar Tripathy, Priestley Fernandes, Anirban Majumder, Zarreen Reza

7. IsoAlign: Isoform-Aware DNA-Protein Alignment via Joint-Embedding Predictive Architectures

IsoAlign：基于联合嵌入预测架构的异构体感知DNA-蛋白质对齐方法

AI 总结：提出IsoAlign多模态框架，采用DP-JEPA和IM-JEPA两种JEPA架构实现异构体感知DNA-蛋白质对齐，经多任务评估验证其可提升GFM的功能表示与下游性能。

链接：https://arxiv.org/abs/2611.00241

机构：University of Waterloo（滑铁卢大学）； Peter Munk Cardiac Centre, University Health Network（大学健康网络彼得·芒克心脏中心）； Georgia Institute of Technology（佐治亚理工学院）； University of Toronto（多伦多大学）； Imperial College London（伦敦帝国理工学院）； Vector Institute（向量研究所）

作者：Niousha Sadjadi, Arman Seyed-Ahmadi, Tony Tu, Micaela Elisa Consens, Kerr Ding, Alif Munim, Lila Kari, Zehui Li, Barry B. Rubin, Bo Wang, Vallijah Subasri

8. OCELOT: Planetary-Scale Species Distribution Modeling with Satellite Foundation Embeddings

OCELOT：基于卫星基础嵌入的行星尺度物种分布建模

AI 总结：本研究提出OCELOT模型，融合空间坐标与卫星基础嵌入，利用20亿条GBIF记录构建行星尺度物种分布模型，在600公里空间块外推中性能提升51%，兼顾地理外推与分布内准确性。

链接：https://arxiv.org/abs/2611.00284

机构：Google DeepMind（谷歌DeepMind）； Google Research（谷歌研究院）

作者：Bart van Merriënboer, Lauren Harrell, Keith Anderson, Burcu Karagol Ayan, Elise Kleeman, Tom Denton, Drew Purves

受公众号正文长度限制，本文展示前 8 篇，当天共更新 334 篇。完整列表请访问 arXivDaily。