机器学习学术速递[11.4]

2026-11-04 | CS.LG机器学习 | 共 148 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. 表示学习、自监督与对比学习 1 篇

3. 生成模型与概率建模 1 篇

4. 联邦学习、隐私与安全 1 篇

5. 数据集、基准与评测 1 篇

6. 机器学习应用 1 篇

7. 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. Mixture of Wide Experts: Sparse Routing for Interpretable Native Coordinates

宽专家混合模型：可解释原生坐标的稀疏路由

AI 总结：本研究提出宽专家混合模型（MoWE），在保持预测性能的同时，比密集模型和标准MoE更清晰地定位原因，其原生坐标可读性优于密集模型和标准MoE，可直接识别复用。

链接：https://arxiv.org/abs/2611.03655

机构：Plaksha University（普拉卡什大学）

作者：Tavish Mankash, Vardhaman Kalloli, Keshava Prasad, Deepan Muthirayan

2. 表示学习、自监督与对比学习 | 1 篇

2. Learning Directional Randers Geometry for Latent-Space Exploration

用于隐空间探索的定向Randers几何学习

AI 总结：本文提出Finsler-Randers度量学习框架，解决隐空间对称几何无法捕捉定向过程的问题，提升隐空间插值与外推性能。

链接：https://arxiv.org/abs/2611.03675

作者：Théau Blanchard (HeKA | U1346, GE Healthcare), Stéphanie Allassonnière (CMAP)

3. 生成模型与概率建模 | 1 篇

3. Stress-Testing the Robustness of LLM-Based Causal Inference

对基于大语言模型（LLM）的因果推断的鲁棒性进行压力测试

AI 总结：本研究通过构建跨六个维度的压力测试框架，揭示基于LLM的因果推断存在乐观偏差、精度低等问题，为其在因果发现流程中的应用提供了评估指南。

链接：https://arxiv.org/abs/2611.03656

机构：IntelliQuest Venture； University of Texas at Dallas（德克萨斯大学达拉斯分校）； Texas A&M University–Corpus Christi（德克萨斯农工大学科珀斯克里斯蒂分校）； Pondicherry University（本地治理大学）； IIT - Guwahati（印度理工学院古瓦哈蒂分校）

作者：Ankitkumar Patel, Jigarkumar Patel, Amit Kumar, Supreetha Sreeram, Venkatesh Kulkarni

4. 联邦学习、隐私与安全 | 1 篇

4. Does the Trust Boundary Hold over Time? A Long-Horizon Benchmark for Receiver-Directed Federated Learning

信任边界是否随时间保持有效？面向接收方主导联邦学习的长周期基准测试

AI 总结：本文针对接收方主导联邦学习构建长周期基准，发现信任边界随时间会失效，提出的审计机制可保障部署模型无负收益，FedFomo与CS-Gate在对抗场景下表现最优。

链接：https://arxiv.org/abs/2611.03724

机构：University of Calgary（卡尔加里大学）

作者：Ting Xu, Henry Leung

5. 数据集、基准与评测 | 1 篇

5. Auditing a Model-Hub Benchmark: Data Quality, Training Budgets, and Side Information in HuggingBench

审核模型库基准：HuggingBench中的数据质量、训练预算与侧信息

AI 总结：本文审核了HuggingBench基准，发现其存在项-实体身份约束违反等问题，修正后提升了KG推荐性能，还揭示了训练预算、项文本信号的重要性，并发布了修正资源与相关实践规范。

链接：https://arxiv.org/abs/2611.03727

机构：NASK National Research Institute（NASK国家研究院）

作者：Michal Podstawski

6. 机器学习应用 | 1 篇

6. Latent Cluster Separation as a Regularizer for Lifelong Anomaly Detection

潜在聚类分离作为终身异常检测的正则化项

AI 总结：该研究在基于VAE的终身异常检测器中拆分潜在聚类分离正则化与异常评分两种机制，发现前者可提升检测质量和反向迁移，后者是不稳定性来源，为设计选择提供实用指导。

链接：https://arxiv.org/abs/2611.03652

机构：John Champe High School / Academies of Loudoun（约翰·尚普高中 / 劳登学院）； American University（美利坚大学）

作者：Sabarish Radhakrishnan, Nathalie Japkowicz

7. 其他/综合机器学习 | 2 篇

7. Four Extensions of the Universal Law of Robustness: Log-Concave Covariates, Heterogeneous Mixtures, Vector-Valued Predictors, and Markovian Data

鲁棒性通用定律的四个扩展：对数凹协变量、异质混合、向量值预测子与马尔可夫数据

AI 总结：本文扩展了鲁棒性通用定律，针对对数凹协变量、异质混合等四类场景放松原假设，给出了对应界的显式常数，保留了原定律的核心速率。

链接：https://arxiv.org/abs/2611.03653

机构：ZHAW Zurich University of Applied Sciences（苏黎世应用科技大学）

作者：Tobias J. Peter (ZHAW Zurich University of Applied Sciences)

8. Towards Automatic Heart Murmur Characterization from Multi-spot Phonocardiograms

基于多部位心音图的心脏杂音自动表征研究

AI 总结：本研究将心脏杂音自动表征设为五项分类任务，对比三种多部位策略，基于735例患者的CirCor DigiScope数据集，证实融合与联合学习架构可实现多部位杂音表征，为自动结构化杂音报告提供了方向。

链接：https://arxiv.org/abs/2611.03654

机构：INESC TEC； Faculdade de Ciências, Universidade do Porto（波尔图大学理学院）； LIACC, Universidade da Maia（马亚大学LIACC实验室）； Instituto Superior de Engenharia do Porto（波尔图工程高等学院）

作者：Marcelo Nogueira, Jorge H. Oliveira, Carlos G. Ferreira, Miguel T. Coimbra, Alípio M. Jorge

受公众号正文长度限制，本文展示前 8 篇，当天共更新 148 篇。完整列表请访问 arXivDaily。