机器学习学术速递[11.10]

AI 总结：提出MAGE多时间尺度EEG基础模型，通过多时间尺度注意力机制与可训练聚合模块，在七个数据集上以更少参数优于现有模型，验证不同下游任务需不同时间尺度。

链接：https://arxiv.org/abs/2611.09928

机构：LTCI, Télécom Paris, Institut Polytechnique de Paris（法国巴黎理工学院电信学院LTCI实验室）； LIST3N, Université de Technologie de Troyes（特鲁瓦技术大学LIST3N实验室）； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）； Institute for AI Innovation and Societal Impact, Hanoi University of Science and Technology（河内科技大学人工智能创新与社会影响研究所）

作者：Tuan-Kiet Doan, Van-Chien Nguyen, Trung-Hieu Tran, Quang-Hung Pham, Ngoc-Son Vu, Huy Phan, Phi Le Nguyen, Duc-Han Le, Nikola Simidjievski, Van-Tam Nguyen

AI 总结：针对神经加性模型表达能力不足、多层感知机可解释性差的问题，提出投影神经加性模型，证明其为通用逼近器，推导最小投影数与逼近率，引入结构化稀疏正则化等方法兼顾精度与可解释性，在多任务实验中表现优异。

链接：https://arxiv.org/abs/2611.10186

机构：Columbia University（哥伦比亚大学）； DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）； Terminal Effects Division（终端效应部）

作者：Nhon N. Phan, Qiang Du, John D. Clayton, WaiChing Sun

AI 总结：该研究提出经离散去噪扩散训练、引导式束搜索解码的Transformer模型，成功分解68位半素数，推导其缩放定律，且分解密码学相关整数的计算成本仍过高，不威胁安全。

链接：https://arxiv.org/abs/2611.10202

机构：Google DeepMind（谷歌DeepMind）

作者：Brendan O Donoghue, Nenad Tomasev, Volodymyr Mnih, Timothy Nguyen, Dalin Guo, Arun Nair, Kenneth Yang, Alexandre Frechette, Jasper Xian, Jean Tarbouriech, Pavel Tyletski, Ingrid von Glehn, Johannes Bausch, Demis Hassabis, Raia Hadsell

AI 总结：该研究分析线性状态空间模型与线性自回归训练的隐式偏差，通过多非齐次多项式预测器通用模型，揭示长度偏差机制，刻画其隐式偏差并改变经典齐次隐式偏差结果。

链接：https://arxiv.org/abs/2611.10237

机构：Hebrew University of Jerusalem（耶路撒冷希伯来大学）； Technion（以色列理工学院）； Weizmann Institute of Science（魏茨曼科学研究所）

作者：Gal Katzhendler, Gilad Yehudai, Gal Vardi

AI 总结：该研究提出将张量及运算表示为函数组合的数学形式，可降低代码复杂度，实现稀疏数据高效计算，相关框架草案已公开。

链接：https://arxiv.org/abs/2611.10855

机构：SimplexLab（辛普lex实验室）

作者：Valérian Rey, Praneth Paruchuri

AI 总结：该研究提出Deletion Tuning方法，通过删除LLM少于0.05%的权重实现后训练，效果媲美全微调，且模型体积小、遗忘程度低，在持续学习中表现更优。

链接：https://arxiv.org/abs/2611.10866

机构：New York University（纽约大学）； University of Calgary（卡尔加里大学）

作者：Jack Lu, Zhenbang Yang, Mike Lasby, Tejas Pote, Yani Ioannou, Mengye Ren

AI 总结：针对大语言模型后训练多轮复用的训练崩溃与策略漂移问题，提出BRAT方法，通过有界梯度权重与归一化奖励实现稳定训练，在多基准上提升准确率并降低种子方差。

链接：https://arxiv.org/abs/2611.10873

作者：Xunlan Zhou, Yuzhe Zhao, Xuhong Huang, Feng Chen, Xuanlin Chen, Lang Feng, Bo An

AI 总结：提出GradReason方法，用LLM智能体每10轮分析权重等信息生成无数据权重更新，在CIFAR数据集上减少32.8%数据轮次，准确率仅小幅下降。

链接：https://arxiv.org/abs/2611.11005

机构：University of Calgary（卡尔加里大学）； University of Regina（里贾纳大学）

作者：Ali Mohammadi Ruzbahani, Abbas Yazdinejad, Hadis Karimipour

AI 总结：该研究发现基因摘要会导致基因嵌入基准的GO循环性问题，通过GeneProv工具验证了摘要对模型性能的影响，提出用UniProt描述替换摘要可缓解该问题。

链接：https://arxiv.org/abs/2611.11118

机构：Rutgers University（罗格斯大学）； New York University（纽约大学）

作者：Jiawei Wu, Huishu Wang, Junlin Chen, Hongyi Wang

AI 总结：本文探究对角状态空间模型的输入门与状态门控差异，发现状态门控在诱导头任务上表达能力优于输入门控，二者结合可实现最强整体性能。

链接：https://arxiv.org/abs/2611.11336

机构：University of Padova（帕多瓦大学）； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）； Ellis Institute（埃利斯研究所）； Tübingen AI center（蒂宾根人工智能中心）

作者：Riccardo Zattra, Giacomo Baggio, Leonardo De Marchi, Augusto Ferrante, Francesco Ticozzi, Marco Del Prà, Antonio Orvieto

AI 总结：针对DiT推理成本高的问题，提出无需训练的多粒度缓存MG-Cache，通过两阶段策略利用时间步和层冗余，在保持高保真的同时实现最高4.18倍加速。

链接：https://arxiv.org/abs/2611.11365

机构：Beijing University of Posts and Telecommunications（北京邮电大学）

作者：Zesen Chen, Youxuan Xu, Shigang Li

AI 总结：ConvLUT是针对MLPerf Tiny基准的新型卷积架构，通过四项关键技术实现超低延迟推理，在CIFAR-10等数据集上精度优于现有MLP风格LUT模型，延迟大幅降低。

链接：https://arxiv.org/abs/2611.11507

机构：Imperial College London（帝国理工学院）； University of California San Diego（加利福尼亚大学圣迭戈分校）

作者：Marta Andronic, Olivia Weng, Danial Zuberi, Ryan Kastner, George A. Constantinides

AI 总结：本研究通过超14.4万次线性探测评估，发现Transformer表示需联合考虑层与模块选择，提出Act@100和LN2@60固定探测策略，可在多数场景优于基线并恢复对应增益的42%、86%。

链接：https://arxiv.org/abs/2611.11531

机构：Inria（法国国家信息与自动化研究所）； EPFL（洛桑联邦理工学院）； L’Institut Agro（法国农业研究院）； IRISA（法国国家信息与自动化研究所与南布列塔尼大学联合的信息、信号与自动化研究院）； Univ. Rennes 2（雷恩第二大学）； Schneider Electric（施耐德电气）

作者：Ambroise Odonnat, Theo Gnassounou, Laetitia Chapel, Romain Tavenard, Ievgen Redko

AI 总结：本研究对比TimeGPT与SARIMAX等方法，发现单变量场景下SARIMAX、多变量场景下NBR和PR对每日紧急呼叫量预测表现更优，TimeGPT大规模预训练未带来更优精度。

链接：https://arxiv.org/abs/2611.11613

机构：Université de Sherbrooke（谢布鲁克大学）

作者：Feriel Fass, Djemel Ziou

AI 总结：该研究通过直接GPU能耗测量发现，混合专家（MoE）模型可通过批次感知路由降低12-18%的能耗，而循环策略的计算共享未实现能耗节省，还提出了感知持久性的OEA规则。

链接：https://arxiv.org/abs/2611.11696

作者：Rafael Pina, Varuna De Silva

AI 总结：该研究揭示语言模型后训练中谱特性的矛盾观察相容，通过OLMo系列模型实验分析更新的谱秩、轨迹余弦，证实优势系统影响训练方向对齐。

链接：https://arxiv.org/abs/2611.11752

机构：University of Missouri-Columbia（密苏里大学哥伦比亚分校）

作者：Khurram Khalil, Khaza Anuarul Hoque

AI 总结：DeltaForge是首个用于自动驾驶的事后混合专家VLA模型，通过SVD分解权重更新实现高效合并，在多域自动驾驶任务中精度接近单域专家且优于各类基线，新增域无需端到端重训。

链接：https://arxiv.org/abs/2611.11856

机构：NVIDIA Corporation（英伟达公司）； University of Washington（华盛顿大学）

作者：Bingzhang Wang, Mo Poorsartep, Yasaman Esfandiari

AI 总结：本研究提出MambaPD模型，将其与四种基线模型在两个公开EEG数据集上对比，采用受试者独立5折交叉验证检测帕金森病，明确了各模型的准确率、灵敏度等表现及方案不足。

链接：https://arxiv.org/abs/2611.12026

作者：Ayesha Zulfiqar

AI 总结：该研究推导了注意力的几何不变量ρ，仅通过模型权重即可预测Transformer的归纳头专业化，为大语言模型的非数据依赖分析提供了新方法，且验证了其在YaRN应用中的有效性。

链接：https://arxiv.org/abs/2611.12206

机构：Feedzai（费德赛（Feedzai））

作者：Miguel P. Bento

AI 总结：该研究提出scOntoFM模型，将层级细胞本体嵌入单细胞基础模型，结合LCA距离与离线三元组采样，在细胞和基因级基准中提升性能，尤其在零样本场景表现突出，平衡批次整合与生物结构保留。

链接：https://arxiv.org/abs/2611.10838

机构：Duke University（杜克大学）

作者：Xiangyu Guo, Ricardo Henao

AI 总结：本研究提出HERL框架，利用双曲几何学习维度自适应嵌入，无需重训编码器，在图像和文本模态实验中，其能保留下游性能且计算成本低。

链接：https://arxiv.org/abs/2611.11001

机构：University at Buffalo, SUNY（纽约州立大学布法罗分校）； Lawrence Livermore National Lab（劳伦斯利弗莫尔国家实验室）

作者：Arjun Ramesh Kaushik, Rudrasis Chakraborty, Nalini Ratha, Venu Govindaraju

AI 总结：提出HBAR分层分词框架，将体素级fMRI组织为层级结构实现高压缩，在HCP-YA数据集上验证其比平面分词器相关性更高，且层级结构可提升脑表示学习效果。

链接：https://arxiv.org/abs/2611.11081

机构：Stanford University（斯坦福大学）

作者：Karanpartap Singh, Yue Zhao, Mohammad H. Abbasi, Ehsan Adeli

AI 总结：本研究提出ClusLoad框架，通过T-Rep和GMM聚类变压器负荷序列，训练集群专属PatchTST模型，在近千台变压器数据上使MAE降约20%、高负荷预警准确率达95.66%，实现预测精度与部署扩展性的平衡。

链接：https://arxiv.org/abs/2611.11170

机构：School of Electrical Engineering, Wuhan University（武汉大学电气工程学院）； Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）

作者：Fangzhou Lin, Guoshun He, Yi Wang, S. Supraja

AI 总结：本文提出AMLE-SQMF方法，通过联合估计二次流形与噪声分布，实现自适应损失选择，经实验验证其在二次流形拟合中的有效性与噪声鲁棒性。

链接： https://arxiv.org/abs/2611.11313

机构：Beijing Normal University（北京师范大学）

作者：Zheng Zhai, Zhuan Liang, Sujun Guo

AI 总结：本文针对深度学习中低损失等价于良好表示的假设，受统一因子化表示（UFR）启发提出统一因子化组织者（UFOs），经实验证实其可大幅减少 Transformer 学习模块化算术问题的训练步数，为表示学习提供新范式。

链接：https://arxiv.org/abs/2611.11862

机构：Lila Sciences（莉拉科学公司）

作者：Thomas X. Sheppard, Alon Albalak, Joel Lehman, Kenneth O. Stanley

AI 总结：提出FedUR框架，利用CLIP的零样本能力解决联邦无监督视觉识别问题，通过伪标签机制、类权重、负伪标签及个性化提示聚合，在分布偏移下优于基线方法。

链接：https://arxiv.org/abs/2611.12187

机构：Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所）； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）； University of Science and Technology of China（中国科学技术大学）； Nanjing University（南京大学）

作者：Jian Liang, Kuangpu Guo, Ran He, Tieniu Tan

AI 总结：本研究评估量子核方法用于网络入侵检测的性能局限，发现Pegasos-QSVC准确率低于XGBoost，且存在种子依赖变异性与退化问题，无噪声后端也会出现故障，凸显需报告最坏情况等指标。

链接：https://arxiv.org/abs/2611.12219

作者：Sreejonty Chakraborty, Adrita Rahman Tory, Muhammad Aminur Rahaman, Khondokar Fida Hasan

AI 总结：该研究提出一种可替代反向传播的符号式局部学习规则自动发现方法，通过构建单项式字典与回归系数生成层损失，在多任务测试中降低全局损失且规则更具可解释性，兼具节能与生物学习机制发现潜力。

链接：https://arxiv.org/abs/2611.12248

机构：Aalto University（阿尔托大学）； Università degli Studi di Trieste（的里雅斯特大学）

作者：Andrea Perin, Fabio Anselmi, Stephane Deny

AI 总结：针对强化学习中教师与学生观测不匹配导致的模仿差距问题，提出RAIL方法，通过对比学习学习共享潜在表示训练教师策略，在多环境中优于基线，还可实现零样本迁移。

链接：https://arxiv.org/abs/2611.12251

机构：Örebro University（厄勒布鲁大学）

作者：Meraj Mammadov, Pedro Zuidberg Dos Martires, Johannes Andreas Stork

AI 总结：针对自适应私有k-主成分分析，提出首个在d和k上均达最优样本复杂度的非消去算法，消除了对特征间隙的指数依赖，匹配尖峰协方差模型下界，提升了计算效率。

链接：https://arxiv.org/abs/2611.12419

机构：Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系）

作者：Johanna Düngler, Amartya Sanyal

AI 总结：针对现有双层优化方法忽略矩阵结构、存在频谱失衡的局限，提出几何感知的BiMuon方法，结合隐式超梯度估计与Muon式正交更新，在表征学习等任务上验证了其有效性。

链接：https://arxiv.org/abs/2611.10188

机构：The Ohio State University（俄亥俄州立大学）

作者：Zhen Qin, Zhiyao Zhang, Yingbin Liang, Jia Liu

AI 总结：该研究提出深度强化学习框架DRL4TOD，用于优化公交站点周边土地利用类型与容积率，联合多目标优化，在上海站点区域测试中优于传统方法，可作为TOD规划的决策支持工具。

链接：https://arxiv.org/abs/2611.10281

机构：University of California, Los Angeles（加利福尼亚大学洛杉矶分校）； Tsinghua University（清华大学）； The University of Hong Kong（香港大学）； Peking University（北京大学）； University of Florida（佛罗里达大学）； Massachusetts Institute of Technology（麻省理工学院）

作者：Bo Yang, Yuebing Liang, Zhan Zhao, Fangyi Ding, Yunhan Zheng, Shenhao Wang, Jinhua Zhao

AI 总结：本研究提出即插即用验证器框架，结合密集过程奖励与稀疏结果奖励，在HotpotQA上用Qwen3.5-4B实现60.18%准确率，优于GRPO基线，可稳定长程智能体推理。

链接：https://arxiv.org/abs/2611.10305

作者：Mingwei Xu, Jieyuan Pei, Binghao Tu, Hao Fang

AI 总结：针对带噪声的归一化幂迭代过程，在希尔伯特投影度量下建立有限时间随机逼近保证，将其应用于风险敏感强化学习，提出相关算法并证明有限时间样本复杂度界，同时覆盖KL鲁棒强化学习的有限时间保证。

链接：https://arxiv.org/abs/2611.10393

机构：California Institute of Technology（加州理工学院）； University of Texas at Austin（德克萨斯大学奥斯汀分校）； Johns Hopkins University（约翰斯·霍普金斯大学）

作者：Waqar Mirza, Yashaswini Murthy, Laixi Shi, Eric Mazumdar, Adam Wierman

AI 总结：该研究提出混合方法MetaBFM，结合BFM与元强化学习的优势，解决环境识别等四项挑战，在恢复监督式元强化学习分布内性能的同时，可泛化到训练集外的奖励函数。

链接：https://arxiv.org/abs/2611.10553

作者：Jake Grigsby, Siddhant Agarwal, Yu Lei, Leonidas Varveropoulos, Yuke Zhu

AI 总结：Detent 是一种可实现批不变性的 LLM 服务与 RL rollout 方案，通过调优内核选择的少数批依赖值，在近原生速度下实现低延迟、高准确率及稳定的 RL 训练。

链接：https://arxiv.org/abs/2611.10611

机构：Boston University（波士顿大学）； Google（谷歌）； RadixArk； Princeton University（普林斯顿大学）； Georgia Institute of Technology（佐治亚理工学院）

作者：Peixu Xin (Independent Researcher, Boston University), Runchuan Feng (Independent Researcher, Boston University), Jiazhen Guo (Google), Kan Wu (RadixArk), Ming Yin (Princeton University and Georgia Institute of Technology)

AI 总结：提出FOCAL方法，将行为正则化策略梯度融入CVAE演员，通过可行性划分的一阶目标优化策略，在DSRL基准中满足约束且回报优于或相当基线。

链接：https://arxiv.org/abs/2611.10677

机构：Yardi School of Artificial Intelligence（雅迪人工智能学院）； IIT Delhi（德里印度理工学院）

作者：Mahesh Keswani, Parth Bhardwaj, Ankur Kumar, Raunak P. Bhattacharyya

AI 总结：本研究提出AERO算法，通过自适应集成分歧路由机制减少在线RLHF中oracle查询预算，在保持对齐性能的同时提升样本效率。

链接：https://arxiv.org/abs/2611.10750

机构：RMIT University（RMIT大学）

作者：Shrey Singhal, Nannan Huang, Haytham M. Fayek

AI 总结：本研究提出自适应内部计算（AIC）策略，通过联合训练动作选择与停止机制，在12个基准任务上平均仅执行3.3步，降低决策延迟，多数任务奖励优于固定深度策略。

链接：https://arxiv.org/abs/2611.10822

机构：Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）

作者：Rohit Kumar Salla, Simon Stepputtis

AI 总结：该研究针对无限状态空间马尔可夫决策问题的最优Q函数计算，分析结合函数近似的Q学习变体收敛特性，扩展TD学习分析至随机控制场景，确定其以概率1收敛的条件并与相关工作比较。

链接：https://arxiv.org/abs/2611.10981

机构：Carnegie Mellon University（卡内基梅隆大学）； Institute for Systems and Robotics（系统与机器人研究所）

作者：Francisco S. Melo, Sean P. Meyn, M. Isabel Ribeiro

AI 总结：本文提出可扩展至任意时间范围的Q学习（HQL），通过平衡单步与多步回报实现长时间范围价值学习，在组合锁任务上避免了单步和多步TD的缺陷，在OGBench和OCBench任务上性能优于现有时间范围缩减方法。

链接：https://arxiv.org/abs/2611.10987

机构：The University of Texas at Austin（德克萨斯大学奥斯汀分校）

作者：Haoran Xu, Pragya Srivastava, Xinjie Liu, Siddhant Agarwal, Amy Zhang

AI 总结：本研究提出 DPDP，将离线强化学习中短视的扩散策略与有远见的扩散规划器结合，通过两种方法优化动作分布，在 D4RL 数据集上提升规划器性能，运动任务具竞争力，长 horizon 导航任务领先。

链接：https://arxiv.org/abs/2611.10993

机构：The University of Texas at Austin（德克萨斯大学奥斯汀分校）

作者：Ruyi An, Mingyuan Zhou

AI 总结： 该研究针对多级供应链优化难题，提出可微分智能体模型，通过梯度传播实现大规模异质策略优化，成本降低53%，还能生成因果热图恢复提前期延迟，可高效训练自校正数字孪生。

链接：https://arxiv.org/abs/2611.10999

机构：Institute for Simulation and Training, University of Central Florida（中佛罗里达大学仿真与训练研究所）； School of Modeling, Simulation, and Training, University of Central Florida（中佛罗里达大学建模、仿真与训练学院）

作者：Bulent Soykan, Murtadha Alsayegh, Sean Mondesire, Ghaith Rabadi

AI 总结：该研究针对有限反馈强化学习，提出SURE方法，利用后继特征选择兼具不确定性与高价值可达状态的奖励，仅需少量标注即可接近全反馈性能，提升反馈效率。

链接：https://arxiv.org/abs/2611.11091

机构：University of Massachusetts（马萨诸塞大学）

作者：Renhao Zhang, Shreyas Chaudhari, Bruno Castro da Silva

AI 总结：DISCOVER是面向预算约束多模态GRPO的在线数据发现框架，通过动态识别高效用提示提升多模态数学推理，在10%样本预算下优于多种基线方法。

链接：https://arxiv.org/abs/2611.11145

机构：University of British Columbia（不列颠哥伦比亚大学）； Vector Institute for AI（Vector人工智能研究院）； Stanford University（斯坦福大学）； UTHealth Houston（休斯顿健康科学中心）； CIFAR AI（加拿大高级研究院人工智能项目）

作者：Peyman Gholami, Shivam Chandhok, Saber Malekmohammadi, Shayan Shams, Robert Xiao, Leonid Sigal

AI 总结：研究多数投票测试时强化学习的答案锁定现象，提出核定律预测结果，通过LoRA实验验证其能准确预测锁定答案。

链接：https://arxiv.org/abs/2611.11165

机构：Human-Centered Artificial Intelligence Research Institute, Ewha Womans University（梨花女子大学以人为中心人工智能研究所）； Department of Artificial Intelligence, Ewha Womans University（梨花女子大学人工智能系）； Department of Computer Science and Engineering, Ewha Womans University（梨花女子大学计算机科学与工程系）

作者：Jaeho Hwang, Sehong Park, Daejin Choi, Uiwon Hwang

AI 总结：该研究提出训练后可训练性的二维状态空间，划分三种状态，通过实验发现原语掌握不保证组合学习，为语言模型训练后能力预测提供新框架。

链接：https://arxiv.org/abs/2611.11260

机构：University of Oxford（牛津大学）

作者：Anqi Qu

AI 总结：针对智能体强化学习中工具调用性能下降的问题，提出过渡感知信用分配（TACA）方法，通过优势投影、决策对比和监督重放提升工具交互可靠性，在多个模型上较MT-GRPO实现显著准确率提升。

链接：https://arxiv.org/abs/2611.11330

机构：Hong Kong Baptist University（香港浸会大学）； Peking University（北京大学）； Shanghai Jiao Tong University（上海交通大学）

作者：Xiangyu Lu, Zhanke Zhou, Jiazhe Ning, Chentao Cao, Jiangchao Yao, Bo Han

AI 总结： 本研究针对未知转移动态的SSP问题，提出OPSRL-SSP算法，其悔值界达到极小极大最优阶，解决了该场景下后验采样的开放问题。

链接：https://arxiv.org/abs/2611.11337

机构：East China Normal University（华东师范大学）； MoE Engineering Research Center of HW/SW Co-design Technology and Application（教育部软硬件协同设计技术与应用工程研究中心）

作者：Yiming Xu, Xian Wei, Cheng Chen

AI 总结：针对5G UPF选择的研究空白，提出结合LLMs与NWDAF的动态多目标DRL方法，在真实平台验证，较基线性能提升16.89%，可平衡时延、功耗与流量分布，具实际应用价值。

链接：https://arxiv.org/abs/2611.11372

机构：University of Guelph（圭尔夫大学）

作者：Abdelrahman Soliman, Ahmed Refaey Hussein, Lei Lei

AI 总结：针对有限时间马尔可夫决策过程中全策略线性可实现性的离线策略优化问题，提出计算高效的算法，样本复杂度与计算复杂度均为多项式级，可保证策略优化的性能。

链接：https://arxiv.org/abs/2611.11423

机构：Peking University（北京大学）

作者：Zhijie Zheng

AI 总结：本文研究在线策略蒸馏（OPD）对训练-推理不匹配的容忍度，发现其可容忍大量不匹配，提出轻量级准入检查，结合FP8与异步回滚可提升训练速度。

链接：https://arxiv.org/abs/2611.11450

机构：Aalto University（阿尔托大学）； Nanyang Technological University（南洋理工大学）； Beijing Institute of Technology（北京理工大学）； University of Cambridge（剑桥大学）； Shenzhen University of Advanced Technology（深圳理工大学）

作者：Cong Yu, Ziting Wang, Songlin Jiang, Sitong Zhang, Chengliang Chai, Youhe Jiang, Eiko Yoneki, Tuo Shi

AI 总结：该研究针对医院出院决策中预测算法的删失偏差问题，提出基于排队论马尔可夫决策过程的容量感知“按出院上限”策略，可降低学习误差24%-25%，减少再入院成本差异38%-63%，提升预测性能与公平性。

链接：https://arxiv.org/abs/2611.11493

机构：Princeton University（普林斯顿大学）； Purdue University（普渡大学）； University of Southern California（南加州大学）

作者：Lydia T. Liu, Kara Schechtman, Pengyi Shi, Angela Zhou

AI 总结：针对奖励依赖延迟且无最优臂反馈的随机多臂老虎机问题，提出BHO算法，经理论分析与实验验证其在不同延迟场景下的遗憾表现及平衡探索的特性。

链接：https://arxiv.org/abs/2611.11494

机构：National University of Singapore（新加坡国立大学）

作者：Zhong Han

AI 总结：该研究针对语言智能体模型与 harness 单独优化的不兼容问题，提出 JoMoHa 框架，通过强化学习联合训练两者策略，在 ALFWorld 等数据集上取得最高成功率，实现递归自我改进。

链接：https://arxiv.org/abs/2611.11499

机构： The University of Hong Kong（香港大学）； Salesforce AI Research（Salesforce人工智能研究院）

作者：Xudong Wu, Guangchen Lan, Mingqi Yuan, Jiayu Chen

AI 总结：针对时间序列反事实解释的计算效率问题，提出基于预训练自编码器潜在空间中演员-评论家智能体的策略学习框架，可单次前向传播生成有效反事实，在13个UCR数据集上表现优异。

链接：https://arxiv.org/abs/2611.11704

机构：South Dakota State University（南达科他州立大学）； Utah State University（犹他州立大学）

作者：Peiyu Li, Pouya Hosseinzadeh, Soukaina Filali Boubrahimi, Shah Muhammad Hamdi

AI 总结：该研究针对多记录器离线策略评估的困境，通过变分方法推导最优IPS估计器，扩展为双重鲁棒形式后在理论和实验中均表现出更优的估计性能。

链接：https://arxiv.org/abs/2611.11712

机构：University of Wisconsin–Madison（威斯康星大学麦迪逊分校）； PIT IN Corp.（PIT IN公司）

作者：Joon Suk Huh, Junghoon Seo

AI 总结：针对带臂反馈的在线单调子模极大化问题，提出一种高效算法，将该问题简化为概率单纯形上的在线线性优化，实现了O(k√(nT log(n/k)))的期望(1-1/e)悔值，是该类问题中首个具有√T依赖的多项式时间算法。

链接：https://arxiv.org/abs/2611.11808

机构：Boston University（波士顿大学）

作者：Iasonas Nikolaou, Evimaria Terzi

AI 总结：本研究提出事后批评者（Hindsight Critics），将其作为软演员-评论家的非对称扩展，在DelayBench基准上验证其可无需修改智能体观测，部分补偿观测延迟。

链接：https://arxiv.org/abs/2611.11863

机构：School of Computer Science and Engineering, UNSW Sydney（新南威尔士大学悉尼分校计算机科学与工程学院）； Frankfurt Institute for Advanced Studies（法兰克福高等研究院）； Escuela de Ingeniería, Universidad Central de Chile（智利中央大学工程学院）

作者：Francisco M. López, Francisco Cruz

AI 总结：本研究评估了TabFM作为无训练世界模型的性能，发现其在数据稀缺且上下文充足时优于部分从头训练的模型，但推理速度慢，无法替代训练后的世界模型用于规划。

链接：https://arxiv.org/abs/2611.11921

机构：Industrial AI Lab（工业人工智能实验室）； Hitachi America, Ltd.（美国日立公司）

作者：Xian Yeow Lee, Ryoichi Takase, Ahmed Farahat

AI 总结：提出H-CVPO扩展CVPO至混合动作空间，通过E/M步设计与理论保证，在模拟环境中实现了更优的奖励-成本约束权衡。

链接：https://arxiv.org/abs/2611.11936

作者：Shuchang Yan

AI 总结： 本研究提出FireGate方法，通过在持续式强化学习微调的训练前设置门控机制，约束模型行为变化，在5任务流中仅改变3.3%的保留对话响应，远低于未加门训练的91.8%。

链接：https://arxiv.org/abs/2611.11979

机构：Iowa State University（爱荷华州立大学）

作者：Md Anwar Hossen, Ali Jannesari

AI 总结：本研究提出HyInv，一种主链条件图网络，经Hyra 2.0训练后，在逆折叠任务中实现了更高的scTM，且速度远超基线方法，支持多种蛋白质设计场景。

链接：https://arxiv.org/abs/2611.11997

作者：Haowei Lin, Cai Zhou, Xiangxin Zhou

AI 总结：针对双层强化学习中跟随者为黑盒的场景，提出奖励估计超梯度（RE-HG），通过逆强化学习恢复奖励并处理偏差与有限样本问题，实验显示其梯度对齐白盒 Oracle 且性能相当，可抑制 HG 爆炸并避开局部最优。

链接：https://arxiv.org/abs/2611.11998

机构：University of Tsukuba（筑波大学）； RIKEN AIP（理化学研究所人工智能研究中心）； Institute of Science Tokyo（东京科学大学）； LY Corporation（LY公司）

作者：Shigeki Kusaka, Mikoto Kudo, Takumi Tanabe, Akifumi Wachi, Youhei Akimoto

AI 总结：针对偏好与预算漂移下约束型多目标强化学习的不可靠信号问题，提出信念条件框架BECON，通过历史推断上下文并融合不确定性门控，在多目标控制任务上优于现有基线，提升了鲁棒性与约束满足度。

链接：https://arxiv.org/abs/2611.12053

机构：School of Information and Communications Technology（信息与通信技术学院）； Hanoi University of Science and Technology（河内科技大学）

作者：Bui Trong Duc, Huynh Thi Thanh Binh

AI 总结：本研究针对《Slay the Spire 2》提出零搜索强化学习方法，采用失败驱动重启策略训练智能体，在 A10 难度下胜率优于无搜索的 AlphaSpire，接近树搜索智能体 Spire Mentor，且效率更高。

链接：https://arxiv.org/abs/2611.12088

机构：University of Waterloo（滑铁卢大学）

作者：Xiangqin Chen, Zhengxuan Xie

AI 总结：该研究针对重尾多臂老虎机的未知矩适应问题，提出方差核心可见性条件，设计分位数修剪UCB指标，实现对数期望悔值并解决COLT公开问题。

链接：https://arxiv.org/abs/2611.12140

机构：Phenikaa School of Information Technology, Phenikaa University（斐考大学信息技术学院）； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）

作者：Tuan Ngoc Do, Hai Duc Nguyen

AI 总结：本文提出MARL系统建模的模块化视角，分解为八个功能模块，构建可互换模块的MARLKIT框架，验证其支持模块复用、比较及可控实验的能力。

链接：https://arxiv.org/abs/2611.12314

机构： LIRMM（蒙彼利埃计算机科学、机器人学、微电子与微电子学院）； Université de Montpellier（蒙彼利埃大学）； CNRS（法国国家科学研究中心）； CIRAD（法国农业发展研究中心）

作者：Tiziano Maisonhaute, Jean-Christophe Soulié, Fabien Michel

AI 总结：针对多臂老虎机中方差异质性问题，提出UCB-min自适应元算法，无需先验方差知识，在多类数据集上可跟踪最优基础算法，表现优于单一策略。

链接：https://arxiv.org/abs/2611.12427

作者：Lilia Izri, Benoit Groz, Silviu Maniu

AI 总结：本文提出K-prop在线学习方法，通过传播核增益降低RTRL的计算与内存成本，在三类任务中性能优于现有RTRL近似，可与BPTT媲美，还分析了其近似对梯度的影响及有效条件。

链接：https://arxiv.org/abs/2611.12530

机构：University of Bern（伯尔尼大学）； Department of Physiology（生理学系）

作者：Bingkun Liu, Paul Haider, Federico Benitez, Mihai A. Petrovici, Walter Senn

AI 总结：本文针对POMDP参数恢复，基于似然差距、核结构条件和行为策略给出参数恢复误差界，为最大似然估计器等提供有限样本保证，可加速无限horizon POMDP的近最优学习。

链接：https://arxiv.org/abs/2611.12575

机构：Massachusetts Institute of Technology（麻省理工学院）； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）

作者：Jack Zhang, Saurabh Amin, Jiawei Zhang, Patrick Jaillet

AI 总结：该研究针对仿真辅助强化学习中标准混合方法的性能缺陷，提出基于控制变量的保守学习方法，经MuJoCo基准任务验证，其性能优于传统仿真混合方法。

链接：https://arxiv.org/abs/2611.12643

机构：Technion - Israel Institute of Technology（以色列理工学院）

作者：Omer Hemo, Ido Sefi, Mirco Mutti, Aviv Tamar, Kfir Y. Levy

AI 总结：该研究针对多轮临床智能体，对比仅用结果的强化学习与密集奖励方法，发现密集奖励可提升性能且避免高风险崩溃，同时指出奖励设计需考虑决策流程。

链接：https://arxiv.org/abs/2611.12728

作者：Brendan P. Murphy, Agustina Saenz

AI 总结：Agentic-OPD利用强化学习训练LLM智能体时丢弃的检查点构建教师池，通过HCN策略和LAD模块恢复被遗忘的能力，在多任务上提升性能，4B学生模型超越GPT-5.6等前沿模型。

链接：https://arxiv.org/abs/2611.12799

机构：Baidu, Inc.（百度公司）； Beijing Jiaotong University（北京交通大学）

作者：Tingcheng Bian, Kangye Gong, Jinchang Luo, MingQuan Cheng, Feiran Liu, Ni Li, Xiaoling Xia, Haiwei Wang, Hui Li

AI 总结： 本研究针对大型语言模型智能体的欺骗问题，提出评估侧部分可观察扩展式博弈（e-PoG）框架，推导双时间尺度策略梯度算法，在多数据集上较基线方法显著提升欺骗缓解率与任务成功率。

链接：https://arxiv.org/abs/2611.12835

机构：SKLSDE Lab, Beihang University（北京航空航天大学SKLSDE实验室）； Zhongguancun Laboratory（中关村实验室）； Li Auto Inc.（理想汽车公司）； Institute of Artificial Intelligence, Peking University（北京大学人工智能研究院）； Tsinghua University（清华大学）； The Chinese University of Hong Kong（香港中文大学）； Institute of data space, Hefei Comprehensive National Science Center（合肥综合性国家科学中心数据空间研究院）

作者：Hanxiao Li, Shutong Liu, Yongjia Ma, Jiaming Ji, Juntao Dai, Shuning Zhang, Kejian Shi, Kai Chen, Pu Feng, Yuqing Ma, Qi Dou, Yaodong Yang, Xianglong Liu, Simin Li

AI 总结：该研究针对速率受限信道下的TD学习问题，提出BAQ-TD算法，通过自适应量化与批量处理保留了接近无限容量信道下的收敛速率，大幅降低了通信复杂度。

链接：https://arxiv.org/abs/2611.12878

作者：Sreejeet Maity, Aritra Mitra

AI 总结：本研究推出Causal-Discovery-Bench基准，评估LLM智能体的因果发现实验能力，发现其94.5%的错误源于实验设计，基础统计工具可显著提升性能。

链接：https://arxiv.org/abs/2611.09934

机构：University of South California（南加利福尼亚大学）

作者：Zhuoyang Liu, Ning Peng, Ming Shen, Zijun Gao

AI 总结：针对高维贝叶斯优化领域基准测试实践的缺陷，推出BO-Arena基准测试包，提出一种无需复杂GP近似的新算法，质疑复杂方法是否优于简单GP基线。

链接：https://arxiv.org/abs/2611.10198

机构：Tübingen AI Center（蒂宾根人工智能中心）； University of Tübingen（蒂宾根大学）； Lancaster University（兰卡斯特大学）

作者：Colin Doumont, Thomas Christie, Henry Moss, Philipp Hennig

AI 总结：TORNADO是一种自适应隐式随机传输框架，通过学习状态依赖扩散的SDE提升概率PDE预测的不确定性校准，在保持预测精度的同时优于多种生成基线方法。

链接：https://arxiv.org/abs/2611.10251

机构：Sorbonne Université（索邦大学）； CNRS（法国国家科学研究中心）； ISIR（智能系统与机器人研究所）； Criteo AI Lab（Criteo人工智能实验室）

作者：Jorge Mifsut Benet, Armand Kassaï Koupaï, Ramon Daniel Regueiro-Espino, Nicolas Baskiotis, Patrick Gallinari

AI 总结：该研究针对高维极端低预算优化问题，提出球壳约束的候选生成方法，对比GeoWalk、GeoCMA等优化器，发现匹配几何结构比代理模型更关键，为低预算分子优化提供了实用经验。

链接：https://arxiv.org/abs/2611.10267

机构：Faculty of Nuclear Sciences and Physical Engineering, Czech Technical University in Prague（布拉格捷克技术大学核科学与物理工程学院）； Institute of Information Theory and Automation, Czech Academy of Sciences, Prague（捷克科学院信息理论与自动化研究所）

作者：Michal Průšek, Adam Novozámský, Filip Šroubek

AI 总结：该研究探究确定性生成扩散的普适结构，发现其采样轨迹具有跨数据模态与模型实现不变的几何结构，可通过最优线性去噪器的可精确求解模型解释，为扩散模型的训练推理提供理论支撑。

链接：https://arxiv.org/abs/2611.10338

机构：UC Berkeley（加州大学伯克利分校）； Zhejiang University（浙江大学）； University at Buffalo（纽约州立大学布法罗分校）

作者：Defang Chen, Zhenyu Zhou, Can Wang, Zeyu Zheng, Siwei Lyu

AI 总结：本研究针对现有晶体结构预测（CSP）评估框架的局限，提出取向不变、多晶型感知的大型基准（OPAL-Bench），将CSP与对称信息型CSP（SICSP）作为独立任务评估，发布OPAL-CSP基线，发现几何与物理性能无强相关性，无方法在所有指标占优。

链接：https://arxiv.org/abs/2611.10380

机构：Universidad de Los Andes, Colombia（哥伦比亚洛斯安第斯大学）

作者：Sergio Rincón, Gabriel González, Nicolás Andrade, Rafael Velásquez, Sebastián Ojeda, Juanita Puentes, Nicolás Aparicio, Paula Cárdenas, Pablo Arbeláez

AI 总结：本文提出MACaQ量化方法，将其应用于大语言模型与图像扩散模型，在低开销、短时间内实现高精度量化，且具通用性。

链接：https://arxiv.org/abs/2611.10649

作者：Lorenz K. Muller, Philippe Bich, Chiara Boretti, Hyun-Min Chang, Jiawei Zhuang, Lukas Cavigelli

AI 总结：针对不完整时间序列的缺失值、异方差噪声等挑战，提出 Cheesefill 框架，联合学习随机校正映射，在多基准实验中性能优于现有方法。

链接：https://arxiv.org/abs/2611.10668

机构：EPFL（洛桑联邦理工学院）

作者：Abdellah Rahmani, Pascal Frossard

AI 总结：本文提出LieSPHGP框架，将端口哈密顿结构与随机高斯过程结合，用于学习李群上的含噪刚体动力学，在基准测试中较神经动力学基线实现了更高预测精度与更强长期稳定性。

链接：https://arxiv.org/abs/2611.10864

机构：University of Texas at Austin（德克萨斯大学奥斯汀分校）； Oden Institute of Computational Engineering & Sciences, University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所）

作者：Thribhuvan Rapolu, Luke McLennan, Chandrajit Bajaj

AI 总结：本研究提出MoE-Learner框架，利用数据嵌入的变异函数评估因果估计策略的兼容性，在IHDP等基准数据集上取得最佳平均排名，搭建了数据特征与因果估计策略的桥梁。

链接：https://arxiv.org/abs/2611.11504

机构：JMP Statistical Discovery（JMP统计发现公司）

作者：Chunwei Ma, Russell D Wolfinger

AI 总结：该研究探究单步世界模型的候选数量问题，提出基于随机码本的最近邻训练解释，发现m=16的最近邻匹配性能优于部分基线方法，还揭示了相关预测及规划成功率未提升的负面结果。

链接：https://arxiv.org/abs/2611.11887

机构：School of Information and Communication Engineering（信息与通信工程学院）； Chungbuk National University（忠北国立大学）； School of Computer Science（计算机科学学院）

作者：Yong Hwi Song, Keon Myung Lee

AI 总结：针对分布式奇异谱优化的收敛与通信效率问题，提出DisMUSE框架，采用Muon式正交动量与方差缩减技术，达到匹配最优的收敛率，还扩展出有限NS迭代与低秩传输的变体并刻画权衡。

链接：https://arxiv.org/abs/2611.10212

机构：The Ohio State University（俄亥俄州立大学）； Department of Electrical and Computer Engineering（电气与计算机工程系）

作者：Zhen Qin, Zhiyao Zhang, Yingbin Liang, Jia Liu

AI 总结：该研究针对机制-AI耦合动力系统中数据带来的不确定性，基于最优传输与信息几何构建数学公式，结合伴随灵敏度分析提出数值方法，为动力系统贝叶斯推理提供统一框架并提供几何研究视角。

链接：https://arxiv.org/abs/2611.10563

作者：Pengfei Song, Yanni Xiao, Shuangshuang Yin

AI 总结：本研究提出固定秩流形上的零阶黎曼优化算法ZO-RGD及ZO-RGD-S，用于LLM内存高效微调，在多模型族和任务上与仅前向基线相当且部分场景有增益。

链接：https://arxiv.org/abs/2611.10792

机构：Aalto University（阿尔托大学）； South China University of Technology（华南理工大学）

作者：Xinjue Wang, Xiuheng Wang, Yejun Zhang, Sergiy A. Vorobyov, Esa Ollila

AI 总结：本研究针对测试样本可能参与训练的场景，提出可评估性理论，刻画了黑盒评估可行的分布条件，证明少量查询访问可提升评估能力。

链接：https://arxiv.org/abs/2611.10996

机构：Apple（苹果公司）

作者：Kunal Talwar

AI 总结：本文提出统一分解表示（UFR）可抵抗灾难性遗忘，通过一维回归、图像回归实验验证UFR网络遗忘程度更低，表明表示质量是影响灾难性遗忘的关键因素。

链接：https://arxiv.org/abs/2611.11020

作者：Joel Lehman, Kenneth O. Stanley

AI 总结：针对边缘DNN推理的内存瓶颈，提出内存、计算与卸载联合优化方案，通过分解问题与坐标下降算法实现，能耗降低最高16.1%，性能接近最优。

链接：https://arxiv.org/abs/2611.11106

机构：Tsinghua University（清华大学）； Chongqing Polytechnic University of Electronic Technology（重庆电子工程职业学院）

作者：Yunchu Han, Zhaojun Nan, Sheng Zhou, Zhisheng Niu

AI 总结：本文研究小样本CLIP适配，发现SGD的全微调优于Adam等优化器的PEFT方法，归因于Adam的不可靠预处理，而非全微调本身。

链接：https://arxiv.org/abs/2611.11152

机构：ETS Montreal（蒙特利尔理工学院）

作者：Nairouz Mrabah, Ismail Ben Ayed, Eric Granger

AI 总结：针对异步流水线并行训练的梯度不一致问题，提出FRESCO方法，将异步更新建模为约束优化，在LLM预训练中显著优于基线，为大模型开发提供可扩展路径。

链接：https://arxiv.org/abs/2611.11238

机构：POSTECH（浦项科技大学）

作者：Dongyeop Lee, Namhoon Lee

AI 总结：针对单循环极小极大优化中标准随机梯度更新不稳定、对步长敏感的问题，提出正交更新框架，开发AdaSGDA及AdaSGDA-VR方法，实现无参数或方差缩减的最先进收敛速率，实验验证其竞争力。

链接：https://arxiv.org/abs/2611.11387

机构：The Chinese University of Hong Kong（香港中文大学）； McGill University（麦吉尔大学）； University of Manitoba（曼尼托巴大学）

作者：Zhiwei Zhai, Xinyu Wang, Wenjing Yan, Lei Ding, Ying-Jun Angela Zhang

AI 总结：针对学习者的成员推断与重构攻击，研究人员提出一种通用归约方法，证明成员推断可推导出重构攻击，且针对随机凸优化场景实现了计算高效的多项式时间重构攻击。

链接：https://arxiv.org/abs/2611.11680

机构：Tel Aviv University（特拉维夫大学）； School of Computer Science and AI（计算机科学与人工智能学院）

作者：Amnon Levi, Yuval Dagan

AI 总结：针对带不可分离耦合的完全分布式在线凸优化，提出KKT扰动感知通信机制，降低通信开销，提升每传输比特的学习与约束执行性能，实现O(T^(2/3))的期望静态遗憾和约束违反。

链接：https://arxiv.org/abs/2611.11827

机构：City University of Hong Kong（香港城市大学）； State Grid Electric Power Research Institute（国网电力科学研究院）； Southeast University（东南大学）

作者：Zhaoye Pan, Tao Li, Yunjie Guo, Guanpu Chen

AI 总结：本研究提出可扩展贝叶斯优化框架FruBO，在60万种莫尔图案构型的材料设计任务中，相比随机采样、基于高斯过程的BO，FruBO结合CatBoost替代模型可大幅提升最优构型的探索效率。

链接：https://arxiv.org/abs/2611.12010

机构：University of Piraeus（比雷埃夫斯大学）； National and Kapodistrian University of Athens（雅典国立与卡波迪斯特里亚大学）

作者：Panagiotis Krokidas, Christos Lazaridis, Vassilis Sioros, Efi-Maria Papia, Vassilios Constantoudis, George Giannakopoulos

AI 总结：研究光滑强凸函数上重球法的最优参数，证明其渐近比梯度下降快四倍，确定了条件数相关的最优速率常数。

链接：https://arxiv.org/abs/2611.12310

作者：Marcos Hernanz

AI 总结：本研究将TabPFN、TabICL两种表格基础模型作为代理模型，在材料科学基准上与高斯过程等基线对比，发现其无需任务特定训练即可成为极具竞争力的贝叶斯优化代理模型，推动其在材料发现中的应用。

链接：https://arxiv.org/abs/2611.12491

机构：Prior Labs； University of Freiburg（弗莱堡大学）； ELLIS Institute Tübingen（图宾根ELLIS研究所）

作者：Klemens Flöge, Simon Bing, Leo Grinsztajn, Eliott Kalfon, Lennart Purucker, Noah Hollmann, Frank Hutter

AI 总结：TRACE 是一种开放式分子贝叶斯优化框架，通过自适应信赖域控制提升样本效率，在 1000 次评估的分子优化基准中表现最优，还成功提升了 FePc 的 Fe 溶解热力学阻力。

链接：https://arxiv.org/abs/2611.12591

机构：UW-Madison（威斯康星大学麦迪逊分校）； Texas Tech University（德克萨斯理工大学）； The Ohio State University（俄亥俄州立大学）

作者：Madhav R. Muthyala, Mahsa Askari, Farshud Sorourifar, Evan Zhou, Joe Gauthier, Joel A. Paulson

AI 总结：该研究针对不可知边际非均匀学习框架，分析二分类问题的细粒度学习速率，得出标准与松弛不可知设定下的最优速率结论，明确边际分布依赖的作用及不同类复杂度对应的速率类型。

链接：https://arxiv.org/abs/2611.12694

机构：Department of Computer Science, Purdue University（普渡大学计算机科学系）

作者：Tanmay Devale, Steve Hanneke, Amirreza Shaeiri

AI 总结：针对LLM多智能体系统KV缓存的内存瓶颈，提出CoMixKV框架，通过在线敏感性估计与联合比特宽度分配，在多基准和LLM主干上实现了准确率提升、内存降低与推理加速。

链接：https://arxiv.org/abs/2611.10096

机构：Xiamen University（厦门大学）； WeChat AI, Tencent Inc.（腾讯微信AI）

作者：Weizhong Huang, Jinchao Zhang, Xiawu Zheng

AI 总结：CALFA-KV是结合校准与Fisher引导锚点的1比特KV缓存压缩方法，通过离线拟合与在线加权策略，在指定预算下优于1比特基线并缩小与BF16的性能差距。

链接：https://arxiv.org/abs/2611.10511

机构：Shenzhen Intellifusion Technologies Co. Ltd.（深圳云天励飞技术有限公司）

作者：Xiancai Tian, Leichao Zhang, Shenhui Zhang, Yi Shan, Hailong Li, Feng Lin, Xiaotian Yu, Aijun Li

AI 总结： 本研究提出Prune-to-Probe推理时控制器，通过因果激活干预探测模型答案稳定性，在MATH、MMLU-Pro数据集上减少推理开销且修正错误，证明了因果激活探测用于高效推理控制的潜力。

链接：https://arxiv.org/abs/2611.11034

机构：New York University（纽约大学）； Massachusetts Institute of Technology（麻省理工学院）

作者：Yufei Qi, Chonghe Jiang

AI 总结：该研究针对4比特以下语言模型量化的准确率下降问题，提出FragCal-DC方法，通过任务相关校准数据提升量化模型准确率，实验验证了SignRound V2等方法的性能增益，为低比特量化提供了任务相关校准的设计原则。

链接：https://arxiv.org/abs/2611.11079

机构：Massachusetts Institute of Technology（麻省理工学院）； Intel Corporation（英特尔公司）

作者：Yehong Jiang, Yen-Kuang Chen, Xinmin Tian

AI 总结：SGA-Sparse通过训练原生SwiGLU门控将预训练LLaMA转为激活稀疏低比特模型，在30B训练令牌后实现75-85% FFN稀疏度，同时保持接近原模型的准确率，还提出两种QAT方案优化量化性能。

链接：https://arxiv.org/abs/2611.11223

机构：Meta AI

作者：Ruokai Yin, Steven Li

AI 总结：该研究针对用户级差分隐私下拜占庭鲁棒联邦学习的最优收敛界问题，提出ByzULDP算法，通过两级动量机制实现阶最优收敛，经真实数据集实验验证了分析的有效性。

链接：https://arxiv.org/abs/2611.10898

机构：Northeastern University（东北大学）； Carnegie Mellon University（卡内基梅隆大学）

作者：Ming Xiang, Stratis Ioannidis, Edmund Yeh, Carlee Joe-Wong, Lili Su

AI 总结：本文提出MOMENT-DP框架，研究优化器状态对差分隐私训练中相关噪声机制效用的影响，发现仅改变动量会导致机制排名反转，为相关噪声评估提供新维度。

链接：https://arxiv.org/abs/2611.11457

机构：Google Cloud（谷歌云）

作者：Sunny Gupta, Raja Viswanadha

AI 总结：该研究针对大型语言模型遗忘时忽略Transformer权重矩阵结构的问题，提出光谱遗忘框架，结合矩阵结构化优化，在记忆性、隐私性和实用性评估中优于基线方法，大幅缩小与保留训练参考模型的差距。

链接：https://arxiv.org/abs/2611.11902

作者：Sung Il Choi, Junhao Cai, Dohun Kim, Changhee Joo

AI 总结：提出组鲁棒学习框架，通过组特定编码器与高斯锚点实现跨异构特征空间的知识迁移，在医学数据集上显著降低最差组损失与超额损失，参数规模大幅缩减。

链接：https://arxiv.org/abs/2611.10153

机构：Duke University（杜克大学）

作者：Xenia Konti, Arjun Tschand, Chuan Hong, Nicoleta J. Economou-Zavlanos, Michael M. Zavlanos

AI 总结：本文提出RAD-TFM，一种与模型无关的对抗训练框架，将其应用于TabPFN V2、TabICL V2可在多个表格基准测试中提升性能，为TFMs的针对性对抗持续训练提供了新方向。

链接：https://arxiv.org/abs/2611.10230

机构：MIT（麻省理工学院）； IBM（国际商业机器公司）

作者：Matthew Peroni, Franck Le, Vadim Sheinin

AI 总结：提出共形证据集（CES）这一双面框架，用于RAG的支持与反驳证据校准，在VitaminC基准上验证其覆盖率表现，发现证据覆盖率与判断可靠性为不同属性需分别报告。

链接：https://arxiv.org/abs/2611.10335

机构：Florida Atlantic University（佛罗里达大西洋大学）

作者：Ben Jenkins, Mihaela Cardei

AI 总结：本研究提出双保真朗之万采样超网络框架，结合多项增强措施，实现多保真数据的高效利用与不确定性量化，提升材料响应模型的预测性能与稳定性。

链接：https://arxiv.org/abs/2611.10429

机构：Sandia National Laboratories（桑迪亚国家实验室）

作者：Reese E. Jones, Cosmin Safta, Dan Bolintineau, Craig M. Hamel, Gianluca Geraci, Sharlotte LB Kramer

AI 总结：提出鲁棒满意集成（RSE）框架，通过结合鲁棒满意目标与二次风险替代物实现高效模型聚合，在多种分布偏移场景下优于GroupDRO等基线方法，为动态环境提供可靠保障。

链接：https://arxiv.org/abs/2611.10895

机构：Bilkent University（比尔肯特大学）； Georgia Institute of Technology（佐治亚理工学院）

作者：Ahmet Faruk Cetinkaya, Enes Agirman, Cem Tekin

AI 总结：本研究提出可解释的时间窗口融合随机森林模型，通过多测试台评估其在智能电网网络物理攻击检测中的性能，发现时间评估下性能下降，流形测试比时间测试更具鲁棒性，相关代码基准已公开。

链接：https://arxiv.org/abs/2611.10950

机构：Intelligent Neuromorphic and Quantum Understanding for Innovative Research and Engineering (INQUIRE) Laboratory（智能神经形态与量子理解创新研究与工程实验室）； School of Electrical and Computer Engineering, University of Oklahoma（俄克拉荷马大学电气与计算机工程学院）

作者：Muhammad Ridwanul Hoquea, Sarah Sharif, Reza Saeed Kandezy, Yaser Banad

AI 总结：该研究发现，在大语言模型安全中，系统提示对响应偏差的影响大于可区分性，且提高提示清晰度仅会增强模型拒绝意愿，未可靠提升其区分安全与不安全请求的能力。

链接：https://arxiv.org/abs/2611.11074

机构：Princeton University（普林斯顿大学）

作者：Mohan W. Gupta, Sandy Tanwisuth

AI 总结：本研究提出稀疏自编码器（SAEs）分解地球观测基础模型的嵌入，通过定制评估协议验证其在重建、概念对齐和空间尺度上的优势，测试其在土地覆盖子概念发现和分布外像素检测中的应用，为可解释地球观测模型提供了方向。

链接：https://arxiv.org/abs/2611.11398

机构：Max Planck Institute for Biogeochemistry（马克斯·普朗克生物地球化学研究所）； ELLIS Unit Jena（耶拿ELLIS单元）； ETH Zürich（苏黎世联邦理工学院）

作者：Vitus Benson, Fanny Yang, Markus Reichstein

AI 总结：该研究推出MOOD基准，评估事后OOD检测器在材料属性预测的GNN上的迁移性，发现当前检测器表现接近随机，失败源于方法或编码器瓶颈，需针对性表示学习策略。

链接：https://arxiv.org/abs/2611.11839

机构：Princeton University（普林斯顿大学）； Vertaix（维泰克斯）

作者：Shirley X. Yu, Amey P. Pasarkar, Adji Bousso Dieng

AI 总结：该研究针对神经组合优化的跨分布泛化瓶颈，提出MixRoute框架，通过混合归一化的架构设计，仅用单分布训练即可实现优异的零样本泛化，为解决路由问题的泛化难题提供了简约方案。

链接：https://arxiv.org/abs/2611.11977

机构：Singapore Management University（新加坡管理大学）； Massachusetts Institute of Technology（麻省理工学院）

作者：Hang Yi, Ziwei Huang, Yining Ma, Zhiguang Cao

AI 总结：本文针对ReLU网络的经验贝叶斯拉普拉斯近似因尺度对称性失效的问题，提出γ-规范化方法，使近似在功能相同的参数化间保持一致，实现了尺度不变的可靠近似。

链接：https://arxiv.org/abs/2611.12031

作者：Shivam Pal, Piyush Rai

AI 总结：本文介绍2026年拓扑深度学习挑战赛，将GNN与TNN置于同一评估流程，基于TopoBench和GraphUniverse开展，分析68份提交的结果，发现任务相关的性能差异。

链接：https://arxiv.org/abs/2611.10046

作者：Guillermo Bernárdez, Lev Telyatnikov, Mathilde Papillon, Marco Montagna, Louisa Cornelis, Louis Van Langendonck, Antonio Purificato, Bruno Neri, David Leko, Donatella Genovese, Eleonora Grassucci, Jan-Willem Van Looy, Johan Mathe, Lucia Testa, Luka Benić, Melanie Weber, Olga Zaghen, Pavlo Vasylenko, Raffael Theiler, Scott Mahan, Gaurav Khanal, Valentina Sánchez, Dario Loi, Gabriele Onorato, Prasanna Devadiga, Taejin Paik, Anier Velasco Sotomayor, Jonas Müller, Aarav Gupta, Riyan Patel, Grold Otieno Mboya, Pushparaj Devadiga, Adam Gohain, Dominik Filipiak, Michael Banf, Alireza Mohammadian, Amirreza Akbari, Gabriel Chaviano Díaz, Marcos Chávez Mesa, Ankit Grover, Rémi Bourgerie, Alessio Comparini, Ankit Kumar, Mohammad Yusuf, Devesh Kaushal, Francesco Orsi, Ghazal Mostofi, Kolya Lettl, Salwa Khattami, Gabriel Franco, Yelizaveta Falkouskaya, Jorge Luiz Franco, Kajal Singla, Fernando David Espinosa Iñiguez, Raj Patil, Eric Dolores-Cuenca, Luigi Petti, Chenguang Xu, Stefano Blando, Christine Zeh, Lennart Bastian, Kaden Zheng, Vihan Tiwari, Sud Athreya, Hisataka Kajita, Hugo Micheron, Rémi Devaux, Antoine Jardin, Tegan Emerson, Olga Fink, Nina Miolane

AI 总结：该研究将脑连接组预测视为变量误差问题，分解图卷积效应为三种机制，确定了图卷积可提升预测的狭窄区间，实验表明连接组 GNN 流程常处于该区间外。

链接：https://arxiv.org/abs/2611.10364

机构：Columbia University（哥伦比亚大学）； Rice University（莱斯大学）； Washington University in St. Louis（圣路易斯华盛顿大学）； Christian-Albrechts University Kiel（基尔基督教阿尔布雷希特大学）； University of Chicago（芝加哥大学）

作者：Tommaso Castellani, Jiaqi Li, Muriah D. Wheelock, Rezwana Rosen Razzaque, Helmut Laufs, Hong Chen, Claire Donnat

AI 总结：CONSTRAINER是一种约束条件化图结构优化框架，通过将约束解析为算子图并编码生成约束嵌入来条件化共享主干，在电网优化和混合整数线性规划任务上提升了解最优性，实现了高效迁移学习与泛化。

链接：https://arxiv.org/abs/2611.10627

机构：Emory University（埃默里大学）； Argonne National Laboratory（阿贡国家实验室）； Causal Dynamics Lab（因果动力学实验室）

作者：Zeeshan Memon, Mingke Tian, Xinyuan Song, Hongwei Jin, Kibaek Kim, Liang Zhao

AI 总结：本文证明了双线性读出等变消息传递图神经网络（BREMP）的通用逼近性，且投入使用的原子间势架构DPA4继承该结果，可用于原子能量的通用逼近。

链接：https://arxiv.org/abs/2611.10772

机构：Institute of Computational Mathematics and Scientific/Engineering Computing, AMSS, Chinese Academy of Sciences（中国科学院数学与系统科学研究院计算数学与科学工程计算研究所）； Institute of Applied Physics and Computational Mathematics（应用物理与计算数学研究所）； College of Engineering, Peking University（北京大学工学院）

作者：Pingbing Ming, Han Wang

AI 总结：该研究提出ProtLink框架，结合ESM-2表示与多物种图上下文，通过异质图变换器（HGT）在蛋白质相互作用预测任务中取得优于基线模型的性能，明确了进化图上下文的价值与深度依赖性。

链接：https://arxiv.org/abs/2611.11017

机构：Stanford University（斯坦福大学）

作者：Xingyuan Zhang

AI 总结：本研究针对等变图神经网络原子间势模型的多尺度原子相互作用表征难题，提出多截止谱聚合模块，在保留旋转等变性的同时提升了能量、力等多类性质的预测精度。

链接：https://arxiv.org/abs/2611.11226

机构：Kairos Materials（凯罗斯材料公司）； The University of Hong Kong（香港大学）； Tongji University（同济大学）； Westlake University（西湖大学）； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院）； Zhongguancun Academy（中关村学院）； Peking University（北京大学）； Beijing Institute of Technology（北京理工大学）

作者：Junfu Tan, Mengfan Wu, Yu Zhu, Yu Shi, Yifang Qin, Chang Liu, Bonan Zhu, Ziheng Lu

AI 总结：Hydra是一种结合时序GNN局部特征与谱学习模块的架构，在时序图多任务分类、回归中表现优异，训练时间更短，首次证明时序图可迁移多任务学习有效，为相关基础模型构建提供方向。

链接：https://arxiv.org/abs/2611.11520

机构：University of Manitoba（曼尼托巴大学）； Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）； McGill University（麦吉尔大学）； CIFAR AI Chair（加拿大高级研究所人工智能主席职位）； University of Texas at Dallas（德克萨斯大学达拉斯分校）； Université de Montréal（蒙特利尔大学）； University of Oxford（牛津大学）； University of Central Florida（中佛罗里达大学）

作者：Kiarash Shamsi, Farimah Poursafaei, Tran Gia Bao Ngo, Reihaneh Rabbany, Baris Coskunuzer, Guillaume Rabusseau, Michael M. Bronstein, Shenyang Huang, Cuneyt Gurcan Akcora

AI 总结：NearFormer是一种将全局注意力限制在随机近邻图的图变换器，通过线性规模稀疏注意力实现了长程图任务中精度与可扩展性的更优权衡。

链接：https://arxiv.org/abs/2611.12186

机构：Halicioğlu Data Science Institute, UC San Diego（哈利西奥卢数据科学研究所，加州大学圣地亚哥分校）； Department of Mathematics, UC San Diego（数学系，加州大学圣地亚哥分校）

作者：Ali Parviz, Alex Cloninger, Gal Mishne

AI 总结：本研究提出R-BiLoGo模型，将局部筋效应从一种全局几何迁移至其他几何，可减少模拟次数，提升板材成形代理模型的效率。

链接：https://arxiv.org/abs/2611.10086

机构：Dyson School of Design Engineering, Imperial College London（帝国理工学院戴森设计工程学院）； Imperial College London（帝国理工学院）； Prometheus（普罗米修斯）

作者：Yingxue Zhao, Haoran Li, Haosu Zhou, Tobias Pfaff, Nan Li

AI 总结：TrialJev是基于LoRA适配Qwen模型的开放权重单次通过资格评分器，用于患者试验筛选，准确率优于同数据微调的裁决生成LLM，效率更高，可本地运行，相关资源已在Hugging Face发布。

链接：https://arxiv.org/abs/2611.10145

机构：AI Hub, University Health Network (UHN)（AI中心，大学健康网络（UHN））； University of Toronto（多伦多大学）； Vector Institute for Artificial Intelligence（向量人工智能研究院）； Structural Genomics Consortium, University Health Network（结构基因组学联盟，大学健康网络）

作者：Omar Ibrahim, Grant Hamblin, Benjamin Haibe-Kains

AI 总结：本研究提出FedLoVA框架，仅在联邦LLM微调中共享LoRA的值投影，相比基线降低7.8倍通信成本，性能相当或更优。

链接：https://arxiv.org/abs/2611.10248

机构：University of Toronto（多伦多大学）； University of Birmingham（伯明翰大学）

作者：Ensieh Khazaei, Baturalp Buyukates, Dimitrios Hatzinakos

AI 总结：针对LoRA推理中Split-K内核的浮点原子加法导致的数值非确定性问题，提出确定性Triton Split-K实现，解决了输出变化与决策翻转问题，同时保留并行性并实现高效加速。

链接：https://arxiv.org/abs/2611.10334

机构：JPMorgan Chase & Co（摩根大通公司）

作者：Dhayaneshwar Balusamy, Ankur Mohan

AI 总结：该研究针对隐蔽影响场景，发现正则化会放大隐藏偏差传递，低秩适应等正则化手段可诱导强阈下学习传递，且正则化水平与任务复杂度相关。

链接：https://arxiv.org/abs/2611.10397

机构：Carnegie Mellon University（卡内基梅隆大学）

作者：Lawrence Feng, Jacob Mitchell Springer, Gaurav R. Ghosal, Ziqian Zhong, Aditi Raghunathan

AI 总结：本研究提出基于LoRA子空间贝叶斯近似的可扩展成员推断方法，用虚拟参考模型替代传统影子模型集成，在三个VLMs的两个VQA任务上优于标准攻击，仅需单次微调即可实现高效成员推断。

链接：https://arxiv.org/abs/2611.10455

机构：Computer Vision Center, Universitat Autònoma de Barcelona（计算机视觉中心，巴塞罗那自治大学）； University of Trieste（的里雅斯特大学）； University of Cagliari（卡利亚里大学）； University of Genoa（热那亚大学）

作者：Khanh Nguyen, Antonio Emanuele Cinà, Andrey Barsky, Alejandra Reinares, Fabio Roli, Dimosthenis Karatzas

AI 总结：该研究针对持续学习的灾难性遗忘问题，提出带自适应漂移控制的STABLE优化器，经实验验证其在单、多模态持续学习任务中表现优于或匹配专门方法，还能保留零样本迁移能力。

链接：https://arxiv.org/abs/2611.10655

机构：University of Pisa（比萨大学）； Luiss Guido Carli University（路易斯 Guido Carli 大学）； National Research Council of Italy (CNR)（意大利国家研究委员会）

作者：Xiaoyan Li, Lanpei Li, Massimo Coppola, Vincenzo Lomonaco, Antonio Carta

AI 总结：该研究针对预测时空天气降尺度任务，提出PROLA主正交低秩适配框架，通过分解预测阶段优化骨干网络适配，在天气降尺度及其他任务上均表现优于基线。

链接：https://arxiv.org/abs/2611.11318

机构：Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））

作者：Minseo Yoon, Minseong Bae, Sojin Lee, Hyunwoo J. Kim

AI 总结：该研究提出基于熵的正则化（EBReg）框架，通过联合学习编码器与潜在得分模型防止表征坍塌，在ImageNet-1K上用ViT-L实现75.57%线性探测准确率，还可提升ImageNet-C的鲁棒性。

链接：https://arxiv.org/abs/2611.11379

机构：University of Surrey（萨里大学）； New York University（纽约大学）； AMI Labs（AMI实验室）； Shenzhen University of Advanced Technology（深圳先进技术研究院）； Imperial College London（伦敦帝国学院）

作者：Adarsh Kappiyath, Silpa Vadakkeeveetil Sreelatha, Xiatian Zhu, Yann LeCun, Lu Yin, Amir Bar

AI 总结：该研究对比三类空间的迁移学习密度估计，提出BMTL方法，将特征嵌入测地流形并采用L1正则化，在多数据集上较基准取得显著性能提升。

链接：https://arxiv.org/abs/2611.11382

作者：Maryam Alsadat Kazemian, Azam Bastanfard

AI 总结：提出EARN方法，通过调整行动信用并在匹配上下文时重放有效行动，提升冻结LLM智能体在固定交互预算下的最终性能，在33种任务-预算设置中31次取得最优。

链接：https://arxiv.org/abs/2611.11565

机构：University of Central Florida（中佛罗里达大学）； Institute of Artificial Intelligence（人工智能研究院）

作者：Bian Sun, Kevin Zhai, Mubarak Shah, Song Wang

AI 总结： 该研究针对人工神经网络的灾难性遗忘问题，提出模仿哺乳动物新皮层的功能任务网络（FTN），通过分布式专家混合与支持集掩码配置，在持续学习与知识迁移任务中实现了优异的保留效果及迁移性能。

链接：https://arxiv.org/abs/2611.11717

作者：Kevin L. McKee

AI 总结：针对持续测试时间自适应的漂移崩溃问题，提出即插即用模块SCALAR，通过Sinkhorn算法平衡时间窗口内伪标签分布，缓解不稳定性，内存开销极小。

链接：https://arxiv.org/abs/2611.12242

机构：Bar-Ilan University（巴伊兰大学）

作者：Rani Amar, Ofir Lindenbaum

AI 总结：该研究提出TEA-Prompt，通过标记评估模块与注意力行为锚定损失，在仅0.38M参数下，于CIFAR-100等数据集实现低遗忘的最优持续学习性能。

链接：https://arxiv.org/abs/2611.12777

机构：CY Cergy Paris Université（赛吉巴黎塞尔吉大学）； ENSEA（法国高等电子与数字技术学院）； CNRS（法国国家科学研究中心）； Université d’Orléans（奥尔良大学）； INSA CVL（中央-卢瓦尔河谷国立应用科学学院）； University of Twente（特温特大学）； Université de Technologie de Troyes（特鲁瓦技术大学）

作者：Duy-Cuong Bui, Trung-Anh Dang, Vincent Nguyen, Duc V. Le, Ngoc-Son Vu

AI 总结：本研究推出fNIRSAtlas，含19个公开数据集的23项fNIRS分类任务，提供自动化流程与标准化任务，评估基线模型发现有限数据验证的方法泛化性差，为fNIRS机器学习提供可扩展开放基准。

链接：https://arxiv.org/abs/2611.10082

作者：Kalle Mäkelä, Tuukka Ruotsalo

AI 总结：提出CHARM方法，结合几何探索与同调类型及位置的显式证据，在22个数据集的降维任务中表现优异。

链接：https://arxiv.org/abs/2611.10375

机构：Peking Union Medical College Hospital（北京协和医学院医院）

作者：Zhe Li

AI 总结：提出TASKMIXPGM框架，通过概率图建模学习SFT任务的最优混合，该方法平衡任务效用、覆盖与冗余，在多模型及预算下优于启发式方法，可解释任务交互结构。

链接：https://arxiv.org/abs/2611.10389

机构：Indian Institute of Technology Bombay（印度理工学院孟买分校）； Amazon（亚马逊公司）

作者：Prateek Chanda, Saral Sureka, Krishnateja Killamsetty, Ganesh Ramakrishnan

AI 总结：本研究推出AbductionBench统一框架，在27个跨域数据集上评估8个LLM，发现模型在简洁证据上的解释选择表现与小模型相当，但长案例中表现不佳，且被动任务中很少修正初始假设。

链接：https://arxiv.org/abs/2611.10705

机构：Sharif University of Technology（谢里夫理工大学）； University of Tehran（德黑兰大学）； Tarbiat Modares University（塔比亚特·莫达雷斯大学）

作者：Moein Salimi, Amir Qeysarbeigi, Babak Hosseini Mohtasham, Faraz Doagoye Tehrani, Mahdi Naieni, Hanieh Sartipi, Ali Nouri, Amin Aghakasiri, Reyhane Khayatzade Mahani, Mahdi Jafari Siavoshani, Mohammad Hossein Rohban

AI 总结：本研究提出EEGFaceSem数据集，配对EEG与生成模型合成的人脸图像及隐向量，含30人67200条EEG记录，用于语义视觉建模，可支撑脑监督图像编辑与生成等应用。

链接：https://arxiv.org/abs/2611.10781

机构：University of Helsinki（赫尔辛基大学）； University of Macau（澳门大学）； LUT University（拉彭兰塔理工大学）； University of Copenhagen（哥本哈根大学）

作者：Jun Ma, Michiel M. Spapé, Keith M. Davis III, Tuukka Ruotsalo

AI 总结：本文提出JUBILEE债务催收基准环境，通过模拟生成百万级贷款数据，对比表格型与梯度提升型等估计器，揭示隐藏因素对策略评估的影响，为离线策略评估的失败模式研究提供可复现平台。

链接：https://arxiv.org/abs/2611.10972

机构：Alpha Synthesis Labs（阿尔法合成实验室）

作者：Diego Silva Prado, Tiago Amaral Penteado de Jesus, Bruno Caldas de Souza, Cristiano Bevitori Maffia De Oliveira

AI 总结：本研究针对北欧北方区域缺乏多参数积雪基准数据集的问题，提出Hydro-Dataset v1.1开源管道，整合582个SMHI站点数据生成含180万站点日的NetCDF产品，验证其衍生的SWE等参数可作为水文基础模型的可靠基准。

链接：https://arxiv.org/abs/2611.10992

机构：University of Oulu（奥卢大学）； Center for Machine Vision and Signal Analysis, University of Oulu（奥卢大学机器视觉与信号分析中心）

作者：Getnet Demil, Md Moinul Islam, Mourad Oussalah

AI 总结：本研究推出离散扩散实验平台，将二维连续分布转为离散序列，可直接对比生成样本与真实分布，实验发现掩码扩散模型在倾斜棋盘分布上失效，自回归模型表现更优。

链接：https://arxiv.org/abs/2611.11068

机构：Carnegie Mellon University（卡内基梅隆大学）； University of Pittsburgh（匹兹堡大学）

作者：Justin Shao, Sihyun Park, David Ryan Koes, Maria Chikina

AI 总结：提出名为Channels4World的10万室外射频场景数据集，支持无线基础模型预训练，可提升模型跨部署环境泛化能力，验证了场景广度对模型性能的关键作用。

链接：https://arxiv.org/abs/2611.11428

机构：Yonsei University（延世大学）； NVIDIA（英伟达）； University of California San Diego（加州大学圣迭戈分校）

作者：Joonkyu Jang, Hyung-Joo Moon, Kwang Soon Kim, Seong-Lyun Kim, Jakob Hoydis, Robert W. Heath Jr., Chan-Byoung Chae

AI 总结：针对分布式非IID生物医学数据分析的挑战，提出单次分层联邦聚类框架，通过单向原型通信与多粒度竞争学习，在平衡鲁棒聚类、隐私保护与计算效率上优于现有方法。

链接：https://arxiv.org/abs/2611.11481

作者：Shenghong Cai, Yiqun Zhang

AI 总结：该研究提出GenISys框架，采用同步条件去噪扩散概率模型（SCDDPM）生成集成船舶系统，在散货船设计实验中，其合格设计占比及数量均优于整体与顺序生成方法，验证了生成式AI协调子系统的能力。

链接：https://arxiv.org/abs/2611.11622

机构：Massachusetts Institute of Technology（麻省理工学院）

作者：Noah J. Bagazinski, Faez Ahmed

AI 总结：该研究针对合成数据用于视觉预训练时的选择问题，提出能量水平分布距离（ELD）作为合成数据审核筛选原则，通过ELD优化合成数据，可提升视觉预训练的下游迁移性能。

链接：https://arxiv.org/abs/2611.11962

机构：Massachusetts Institute of Technology（麻省理工学院）； Technical University of Munich（慕尼黑工业大学）

作者：Ching Lam Choi, Antonio Torralba, Phillip Isola, Stefanie Jegelka

AI 总结：该研究构建了含10万+个完整SOC哈密顿量的UniHam数据集与基准，测试了现有模型并引入多维度评估指标，为量子材料基础模型开发提供支撑。

链接：https://arxiv.org/abs/2611.12509

机构：Sun Yat-Sen University（中山大学）

作者：Yuewen Huang, Pin Chen, Yutong Lu

AI 总结：本文通过构建审计基准，评估不同规模Jev式系统1决策模型的校准、干扰与可解释性，发现其置信度变换特性、跨问题干扰规律及在句法变化、提示防御上的优势，提出S1-SHAP缓解softmax饱和问题。

链接：https://arxiv.org/abs/2611.12521

作者：Julien Delaunay

AI 总结：本文提出CoilStellaration数据集与基准，用于学习仿星器线圈组生成，发现学习模型难同时满足所有要求，但可加速传统线圈优化，助力仿星器发电厂研发。

链接：https://arxiv.org/abs/2611.12689

机构：Proxima Fusion（普罗克西玛聚变公司）

作者：Jan-Hendrik Ewers, Santiago A. Cadena, Nicolò Foppiani, Andrea Merlo

AI 总结：本研究探究单模态模型间对齐的出现位置，证实PRH的能力-对齐趋势对更新模型仍成立，发现单模态模型跨模态对齐可超显式对齐的视觉-语言模型，但弱于同模态模型间的对齐。

链接：https://arxiv.org/abs/2611.12869

机构：Helmholtz Munich（亥姆霍兹慕尼黑）； Technical University of Munich（慕尼黑工业大学）； Munich Center for Machine Learning（慕尼黑机器学习中心）； LTCI, Télécom Paris, Institut Polytechnique de Paris（法国巴黎综合理工学院巴黎电信学院LTCI实验室）

作者：Julia Herbst, Simon Roschmann, Quentin Bouniot, Zeynep Akata

AI 总结：该研究提出离散化稳定学习的表示定理，证明均匀离散化稳定算子可表示为稳定马尔可夫核网络，为离散化稳定算子学习的架构设计提供了系统方法。

链接：https://arxiv.org/abs/2611.10051

机构：Rice University（莱斯大学）； University of Basel（巴塞尔大学）； University of Helsinki（赫尔辛基大学）

作者：S David Mis, Trevor Teolis, Ivan Dokmanić, Matti Lassas, Maarten V. de Hoop

AI 总结：该研究针对神经算子数据效率问题，提出物理感知初始化（PI-Init）方法，利用廉价物理信息预训练神经算子，在PDE基准实验中显著提升了预测精度、分布外泛化性与标签效率。

链接：https://arxiv.org/abs/2611.10217

机构：Texas Tech University（德克萨斯理工大学）

作者：Shuo Zhang, Senwei Liang

AI 总结：TripletAD是一种弱监督异常检测方法，通过三元组间隔嵌入与双软惩罚项，在稀有异常、稀缺标签场景下，于24个ADBench等数据集上优于现有基线，性能表现突出。

链接：https://arxiv.org/abs/2611.10352

机构：Dell Technologies（戴尔科技）

作者：Sumit Wadhwa, Souvik Nath

AI 总结：本文提出物理信息图神经算子，用于从稀疏相量测量单元估计电力系统动态状态，在多输电系统仿真中，其无需状态标签且计算成本低，多数场景下性能优于基准方法。

链接：https://arxiv.org/abs/2611.10468

机构：Purdue University（普渡大学）； New Jersey Institute of Technology（新泽西理工学院）

作者：Huy Hoang Le, Haoguang Wang, Christian Moya, Marcos Netto, Guang Lin

AI 总结：本研究针对城市固体废物预测的局限，采用斯里兰卡2012-2018年数据集，对比SARIMAX、Prophet、LSTM、GRU四种时间序列模型，发现LSTM和SARIMAX预测性能最佳。

链接：https://arxiv.org/abs/2611.10579

机构：Netaji Nagar Day College（纳塔吉纳加尔日间学院）； Jadavpur University（贾达普大学）； University of Calcutta（加尔各答大学）

作者：Mitra Tithi Dey, Punyasha Chatterjee, Amlan Chakrabarti

AI 总结：针对物联网异常检测中现有联邦主成分分析方法存在的特征冗余问题，提出联邦稀疏格拉斯曼牛顿方法，通过引入范数约束和正交惩罚消除冗余，结合增广拉格朗日求解器实现并行更新，提升检测性能并降低通信开销。

链接：https://arxiv.org/abs/2611.10718

机构：Shanghai University（上海大学）； Fudan University（复旦大学）； Sun Yat-sen University（中山大学）

作者：Jingjing Liu, Xiansen Ju, Xianchao Xiu, Wanquan Liu

AI 总结：本研究提出基于频谱图的CNN自编码器单类异常检测框架，结合分段垂直误差度量，在约10000次拉削行程及公开车削数据集上验证了其在强类别不平衡下的异常检测有效性。

链接：https://arxiv.org/abs/2611.10733

机构：Forst Technologie GmbH & Co. KG（福斯特技术有限公司）； Fachhochschule Südwestfalen（西南应用科学大学）

作者：Sebastian Zeleny, Christian Gawron

AI 总结：提出一种无需污染比例先验知识的自包含数据清洗框架，通过自编码器早期动态分析余弦相似度清洗数据，可跨模型泛化，在8种模型和10个安全数据集上实现最高100%污染减少，平均提升F1分数11.2%、分类准确率7.3%。

链接：https://arxiv.org/abs/2611.10856

机构：University of Sherbrooke（谢布鲁克大学）； University of Kinshasa（金沙萨大学）

作者：Jordan F. Masakuna, Ahmed Yacine, Djeff K. Nkashama, Arian Soltani, Marc Frappier, Pierre M. Tardif, Froduald Kabanza

AI 总结：研究针对空间天气预报与日球物理学中可解释性工作流碎片化问题，提出开源库SWXAI，统一多模态数据的XAI工作流，可减少工程开销、降低代码量且无运行时开销，提升解释的复用性与可复现性。

链接：https://arxiv.org/abs/2611.10861

机构：Georgia State University（佐治亚州立大学）； California State University, Fullerton（加州州立大学富勒顿分校）； Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室）

作者：Benedict Antonio Mervyn, Anli Ji, Manolis K. Georgoulis, Berkay Aydin

AI 总结：本文提出CoupledFlow框架，采用结构约束流匹配算法与多输出高斯过程采样方法，实现耦合多物理场PDE的快速准确一步预测，性能优于现有最先进模型。

链接：https://arxiv.org/abs/2611.10945

机构：Washington State University（华盛顿州立大学）； Hanoi University of Science and Technology（河内理工大学）； University of Texas, Austin（德克萨斯大学奥斯汀分校）； Penn State University（宾夕法尼亚州立大学）

作者：Trong Khiem Tran, Minh Long Bui, Phi Le Nguyen, Mrinal Sen, Sanjay Srinivasan, Trong Nghia Hoang, Jana Doppa

AI 总结：该研究提出物理感知智能体PIA，利用大语言模型智能体编写物理残差构建异常检测器，在BATADAL基准上F1达0.878，优于现有基线，可检测隐蔽攻击并归因。

链接：https://arxiv.org/abs/2611.11009

机构：University of Calgary（卡尔加里大学）； University of Regina（里贾纳大学）

作者：Ali Mohammadi Ruzbahani, Abbas Yazdinejad, Hadis Karimipour

AI 总结：EbbFlow针对MeanFlow训练的时间采样问题，提出TSA调度策略，在ImageNet少步生成任务中显著降低FID，验证了时间采样作为训练控制手段的有效性。

链接：https://arxiv.org/abs/2611.11220

机构：Beijing Institute of Technology（北京理工大学）； Tsinghua University（清华大学）； Northwestern Polytechnical University（西北工业大学）

作者：Mengfan Yuan, Xunheng Kuang, Jianbin Chen, Lei He

AI 总结：研究针对无损检测的神经算子学习需求，构建首个3D多频涡流脉冲热成像数据集，含4700+样本，支持正逆任务，用多种神经算子基准测试，为神经PDE求解器评估提供统一平台。

链接：https://arxiv.org/abs/2611.11252

作者：Changbin Sun, Jie Xiao, Xiaotian Chen, Yuankai Wu

AI 总结：该研究对比Hölder均值、Lehmer均值与TimeGPT在1-7天紧急呼叫预测中的性能，发现短期广义均值更优、长期TimeGPT更优，且所有horizon无统计显著差异，广义均值可与基础模型竞争。

链接：https://arxiv.org/abs/2611.11656

机构：Université de Sherbrooke（谢布鲁克大学）

作者：Feriel Fass, Djemel Ziou, Marie-Flavie Auclair-Fortier

AI 总结：该研究针对交通状态估计问题，提出将LWR守恒律作为物理先验结合摊销PINN，在四个真实交通数据集上验证其在传感器稀疏时的性能优于数据驱动模型及经典方法，且损失条件PINN可降低权重搜索成本。

链接：https://arxiv.org/abs/2611.11881

机构：HSE University（高等经济大学）； Moscow Institute of Physics and Technology (MIPT)（莫斯科物理技术学院）； AI VK（VK人工智能部门）

作者：Anna Lazareva, Alexander Tarakanov

AI 总结：本文针对物理信息神经网络（PINNs），建立了全批量与小批量随机Adam的全局线性收敛保证，刻画了小批量大小的影响，弥合了Adam经验成功与理论理解的差距。

链接：https://arxiv.org/abs/2611.11905

机构：Hong Kong Baptist University（香港浸会大学）

作者：Yihang Gao

AI 总结：该研究针对机器学习集成模型预测需求的不足，将预测优化转化为奖励驱动的决策问题，通过智能体选择集成模型的预测数值并结合上下文评估，在九个月的五个部署场景中显著降低了预测误差，提升了预测价值。

链接：https://arxiv.org/abs/2611.12116

机构：TrueGradient AI

作者：Ankur Verma

AI 总结：该研究通过预注册评估发现，时间序列基础模型在日内指数期货收益预测上无法击败无变化预测，其基准表现无法迁移至低信号的日内收益领域。

链接：https://arxiv.org/abs/2611.12141

作者：Rishabh Upadhyay

AI 总结：针对LLM时间序列预测仅用上下文特征无法识别关键特征的问题，提出CastReasoner模型，通过结构化CoT和两阶段训练提升推理与预测性能，在多领域基准上表现优异。

链接：https://arxiv.org/abs/2611.12285

机构：University of Science and Technology of China（中国科学技术大学）

作者： Xingpeng Gao, Mingyue Cheng, Daoyu Wang, Huajian Zhang, Xiaoyu Tao

AI 总结：本研究提出从多样性视角出发的Vendi异常分数（VAS），无需超参数调优，在148个基准嵌入数据集及ImageNet实验中均实现了最优异常检测性能。

链接：https://arxiv.org/abs/2611.12871

机构：Lewis-Sigler Institute for Integrative Genomics, Princeton University（普林斯顿大学刘易斯-西格勒整合基因组学研究所）； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系）； Vertaix（维泰克斯公司）

作者：Amey Pasarkar, Adji Bousso Dieng

AI 总结：本研究探究视觉语言模型模态差距的起源，发现文本token语义密度低于视觉token，替换视觉token为语义相近文本token可增加早期层注意力，为解决模态差距及改进多模态推理提供基础。

链接：https://arxiv.org/abs/2611.09897

机构：Algoverse

作者：Arpita Shanbhag, Julia Tran, Dhruv Mandala, Ayda Sultan

AI 总结：针对动态物联网系统模型同步的成本问题，提出AoInt概念，开发KL-AoIntSync与Param-AoIntSync算法，实验显示Param-AoIntSync可降低6.15%联合同步成本且性能接近KL-AoIntSync。

链接：https://arxiv.org/abs/2611.09935

机构：University at Buffalo（布法罗大学）； New Jersey Institute of Technology（新泽西理工学院）

作者：Hui Wang, Seyyedali Hosseinalipour, Jacob Chakareski, Ming Shi

AI 总结：针对代理约束与真实约束的决策可行性偏差问题，提出选择风险校准（SRC）框架，通过校准学习约束与优化器返回决策的匹配度，在实验中表现出优于基线的不可行解控制效果。

链接：https://arxiv.org/abs/2611.10050

机构：University of Maryland, College Park（马里兰大学帕克分校）； University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）

作者：Raghav Thind, Youran Sun, Ling Liang, Haizhao Yang

AI 总结：该研究将计算统计学中未调整的混合蒙特卡洛（HMC）方法适配到量子蒙特卡洛（QMC）场景，针对量子相变自旋-费米子模型，证明其在有效样本量上优于调整后的HMC且结果精确。

链接：https://arxiv.org/abs/2611.10187

机构：UC Berkeley（加州大学伯克利分校）； Episteme（埃皮斯特米（Episteme））； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）； Institute for Advanced Study（高等研究院）

作者：Reuben Cohn-Gordon, Gabriel Pescia, Sumner N. Hearth, Jakob Robnik, Uroš Seljak, Peter Lunts

AI 总结：本文针对下层响应为黑箱等不可直接获取梯度的场景，提出LeGo-BiO坐标-wise伪超梯度方法，实现下层无感知的双层优化，获确定性$O(T^{-1})$、随机$O(T^{-1/2})$收敛速率且实验表现优异。

链接：https://arxiv.org/abs/2611.10223

机构：The Ohio State University（俄亥俄州立大学）； Wayne State University（韦恩州立大学）

作者：Peiwen Qiu, Prashant Khanduri, Jia Liu

AI 总结：该研究针对长视野大语言模型智能体的KV缓存问题，提出PACE引擎，结合规划感知保留与有界位置，在10万至200万标记会话中大幅提升任务表现，优于H2O、SnapKV等方法。

链接：https://arxiv.org/abs/2611.10240

机构：Amazon Web Services（亚马逊网络服务）

作者：Suman Chatterjee

AI 总结：本研究探讨用预训练时间序列基础模型（TSFMs）替代高成本电力系统动态仿真，采用检索增强、物理信息正则化等策略，经9节点电力系统实验，微调TSFMs误差更低、计算成本更优，加速达563倍。

链接：https://arxiv.org/abs/2611.10247

机构：Siemens Data & AI Research（西门子数据与人工智能研究）

作者：Sandy Miguel, Bruno Paes Leao, Cheng Feng

AI 总结：本研究针对胸部X光报告生成，引入CLARITY框架评估放射学报告，通过基准测试发现常用可接受性代理无法检测临床相关错误，自动化判断与真实临床可接受性脱节。

链接：https://arxiv.org/abs/2611.10288

机构：Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）； University Hospital Tübingen（蒂宾根大学医院）； University of Lucerne（卢塞恩大学）； University of Bern（伯尔尼大学）； Vienna University of Economics and Business（维也纳经济大学）

作者：Nikolaos Kontogeorgis, Pascal Krezer, Klaus-Rudolf Kladny, Arne Estler, Christian F. Baumgartner, Lisa Koch, Saif Afat, Michael Muehlebach

AI 总结：该研究针对部分提示污染测试，发现剩余文本长度影响标记结果，提出按长度分层报告等优化建议，解决测试中假阳性、假阴性及遗漏上游污染的问题。

链接：https://arxiv.org/abs/2611.10307

机构：Meta

作者：Abhishek Anand

AI 总结：该研究针对已部署ML模型的非平稳数据与延迟标签问题，提出DARE重训练框架，经Airline数据集实验，其锁定LinUCB策略可提升平均F1值并降低干预频率，减少运营开销。

链接：https://arxiv.org/abs/2611.10313

机构：California State University, Fullerton（加州州立大学富勒顿分校）

作者：Kumuda Valli V, Anli Ji

AI 总结：该研究针对LLM预测器的更新斜率指标，发现其受先验校准约束，提出需用不区分结果的证据阶梯并结合先验校准条件，以更准确评估模型更新行为。

链接：https://arxiv.org/abs/2611.10325

机构：Florida Atlantic University（佛罗里达大西洋大学）

作者：Ben Jenkins, Mihaela Cardei

AI 总结： 本研究提出序列剪枝（SP）框架，用于DNA语言模型预训练，可减少96%预训练数据处理量，GPU时间仅为基线的4%，性能优于InfoBatch和BPAS，提升了基因组预训练的数据与计算效率。

链接：https://arxiv.org/abs/2611.10386

机构：University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）； Johns Hopkins University（约翰斯·霍普金斯大学）

作者：Faias Satter, Shaker Islam, Aminul Islam

AI 总结：该研究解决了对数乘积猜想，证明了符号矩阵列表可复制性的尖锐上界，给出下界，开发相关构造并计算经典族精确值。

链接：https://arxiv.org/abs/2611.10408

作者：Guangjian Zhang

AI 总结：HexIt将多面体六面体块分解转化为三维广义映射上的序列决策问题，通过专家迭代优化策略，在无拓扑共享的倒角实体上取得了94.4%的平均解决率，提升了大型实体的最优解决率。

链接：https://arxiv.org/abs/2611.10433

机构：University of California, Berkeley（加利福尼亚大学伯克利分校）

作者：Arjun Narayanan, Per-Olof Persson

AI 总结：提出了推广哈达玛频率变换与哈尔小波变换的快速树变换，其纯频率部分可近似对角化图拉普拉斯算子，可作为几何优化预条件子，还能对图上含边缘和纹理的信号做低冗余稀疏表示。

链接：https://arxiv.org/abs/2611.10466

作者：Paul Burchard

AI 总结：本文提出GB-SAE模型，通过学习统一共享字典与私有模型特定字典实现跨模型语义结构的统一，在多种基础模型上验证其具备更优重建能力、可解释性及泛化性。

链接：https://arxiv.org/abs/2611.10503

机构：University of Kentucky（肯塔基大学）

作者：Jinchi Zhu, Tie Luo

AI 总结：本研究针对扩散Transformer迭代采样计算开销大的问题，提出无训练加速框架FADE，通过分数阶算子建模异常扩散动力学并构建多维度查找表，实现了最先进的加速且保留高生成保真度。

链接：https://arxiv.org/abs/2611.10514

机构：Sichuan University（四川大学）； School of Artificial Intelligence（人工智能学院）

作者：Jinlong Yang, Lizilin, Jinke Wu, Yao Zhou

AI 总结：本文提出IO-FQE方法，可从非分层数据评估分层策略，在AntMaze等任务上消除直接扩展FQE的偏差，且均方误差低于选项层面重要性采样。

链接：https://arxiv.org/abs/2611.10543

机构：University of Wisconsin–Madison（威斯康星大学麦迪逊分校）

作者：Yunfu Deng, Josiah P. Hanna

AI 总结：提出双粒度框架GRAIN，通过细粒度残差学习与粗粒度对比正则化的耦合，提升带连续噪声标签回归任务的鲁棒性与泛化能力。

链接：https://arxiv.org/abs/2611.10550

机构：University of Western Ontario（西安大略大学）； Vector Institute（向量研究所）

作者：Hui Guo, Boyu Wang, Grace Y. Yi

AI 总结：本研究提出EviDrug框架，结合临床证据引导残差学习与动态DDI正则化，在MIMIC-IV等数据集上优于12种基线方法，提升AP指标且成本更低，同时减少DDI并保持预测质量。

链接：https://arxiv.org/abs/2611.10613

机构：School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）

作者：Zesheng Li, Chengchang Pan, Honggang Qi

AI 总结：该研究发现激活探测仪等合谋监控仪多读取合谋指令而非决策，指出评估多智能体合谋监控器的三个陷阱，提出测试协议并适配出适用于任意规模群体的在线监控器。

链接：https://arxiv.org/abs/2611.10620

机构：Shahjalal University of Science and Technology（沙赫贾拉尔科技大学）

作者：Mainul Hasan Mohsin, Mohammad Shahidur Rahman

AI 总结：提出覆盖验证型稀疏注意力（CVSA），将覆盖度作为闭环验证修正机制，在长上下文解码中实现6.21倍加速，性能接近密集注意力。

链接：https://arxiv.org/abs/2611.10634

机构：National Taiwan University（台湾大学）

作者：Yan-Cheng Li, Chun-Yi Lee

AI 总结：该研究基于统计物理学建立非平衡Transformer动力学的几何理论，通过Fisher–Rao梯度流建模注意力演化，证明相关收敛性与适定性，为Transformer动力学分析提供理论基础。

链接：https://arxiv.org/abs/2611.10691

机构：Universidad de La Laguna（拉古纳大学）； Imperial College London（伦敦帝国学院）

作者：Aythami Bethencourt de León, Darryl D. Holm

AI 总结：本文针对浅层ReLU模型，提出门控局部ReLU字典架构，发现其可缓解$L^2$回归的频谱偏差，但无法消除$H^1$刚度矩阵的偏差，需结合预处理器修复。

链接：https://arxiv.org/abs/2611.10700

机构：Eindhoven University of Technology（埃因霍温理工大学）

作者：Victorita Dolean

AI 总结：该研究针对一阶、二阶和零阶优化器的精度壁垒问题，提出一个预先设定的常数规则，在低秩矩阵感知、二次型等任务中提升了壁垒，部分场景下优于默认设置。

链接：https://arxiv.org/abs/2611.10730

机构：A2O Labs（A2O实验室）

作者：Lngel Kyo (A2O Labs)

AI 总结：该研究针对流模型图像编辑中源保真度与编辑合规性的平衡难题，提出无反转的约束前瞻引导框架，通过前瞻机制缓解梯度干扰，在语义编辑与内容保留上优于现有基线。

链接：https://arxiv.org/abs/2611.10751

机构：ELLIS Institute Finland（芬兰ELLIS研究所）； Aalto University（阿尔托大学）

作者：Doudou Zhang, Qi Chen

AI 总结：提出受生命游戏启发的侧向抑制机制构建ConwayNet，嵌入多种神经网络后，可提升激活一致性、噪声鲁棒性与可解释性，减少标签噪声下的测试分歧。

链接：https://arxiv.org/abs/2611.10760

作者：Yair Cohen, Scott M. Gilmore

AI 总结：该研究提出统一框架P²O与PKTO，结合DPO与PPO优势，实现无奖励模型的稳定对齐，在多LLM的偏好基准上对齐质量与稳定性优于现有方法。

链接：https://arxiv.org/abs/2611.10785

机构：Iowa State University（爱荷华州立大学）

作者：Qisai Liu, Zhanhong Jiang, Zahid Hasan, Soumik Sarkar

AI 总结：本研究提出基于LLM的SPARCLING流水线，生成带精确PHI标注的多样化合成临床记录，其多样性优于现有公开数据集，可作为基准发现去标识化器的失败模式，且用其训练能得到更优的去标识化器。

链接：https://arxiv.org/abs/2611.10789

机构：Strategic Innovations and Futuretechnologies（战略创新与未来技术部）； University Hospital Cologne（科隆大学医院）

作者：Matthias Lehmann, Madeleine Werthebach

AI 总结：该研究提出SMNC方法，通过矩阵值闭包logits改进DAG学习，在密集图上优于DAGMA，稀疏图上接近，且预算更低。

链接：https://arxiv.org/abs/2611.10860

机构：Arizona State University（亚利桑那州立大学）

作者：Shuai Feng, Hao Yan

AI 总结：针对核聚变控制中Vlasov-Poisson等离子体的不稳定性问题，提出DAgger风格在线模仿学习算法，可在部分可观测性下稳定等离子体，效果优于行为克隆。

链接：https://arxiv.org/abs/2611.10870

机构：University of Toronto（多伦多大学）； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）

作者：Xiaofan Xia, Qin Li, Wenlong Mou

AI 总结： 针对持续模型合并中任务组件纠缠、奇异几何扭曲的问题，提出GS3R方法，结合PRF降低内存开销，在多模态等基准上实现了精度与效率的良好权衡。

链接：https://arxiv.org/abs/2611.10881

作者：Juncheol Shin, Byeongho Yu, Semin Kim, Eunhyeok Park

AI 总结：提出带可行性保证的二元决策规定性学习框架，结合Wasserstein模糊集实现分布鲁棒性，在机组组合等案例中，分布偏移时可降未满足需求，总成本最多降76.5%。

链接：https://arxiv.org/abs/2611.10923

机构：Technical University of Denmark（丹麦技术大学）； University of Copenhagen（哥本哈根大学）； Imperial College London（伦敦帝国学院）

作者：Farzaneh Pourahmadi, Trine Krogh Boomsma, Pierre Pinson

AI 总结：该研究提出多模态预测编码框架，结合变分生成模型学习天蛾多模态主动感知的不确定性降低图谱，开发不确定性门控词典算法，在蜜腺搜索任务中提升学习效果与鲁棒性，关联生成建模的信息景观与生物感知探索。

链接：https://arxiv.org/abs/2611.11011

机构：Machine Learning Center（机器学习中心）； Georgia Institute of Technology（佐治亚理工学院）； School of Physics（物理学院）； School of Mathematics（数学学院）

作者：Abdelrahman Sharafeldin, Yaqing Wang, Simon Sponberg, Hannah Choi

AI 总结：本文针对6G中具身智能的模型部署难题，提出边缘协调的协同推理框架，通过实验确定了三类模型的最小延迟划分点，为最优推理策略提供支撑。

链接：https://arxiv.org/abs/2611.11023

机构：School of Engineering, University of Warwick（华威大学工程学院）； School of Information Engineering, Nanchang University（南昌大学信息工程学院）； School of Information Engineering, Wuhan University of Technology（武汉理工大学信息工程学院）； Pengcheng Laboratory（鹏城实验室）

作者：Wanlu Sun, Zhenhui Yuan, Xiang Ji, Yi Han, Qing Li, Gan Zheng

AI 总结：该研究提出PCRS框架，通过阶段识别与训练时奖励分配，在六个数学科学推理基准上，使LLM平均响应长度降3.13%，oracle Pass@16提升1.59%，无需推理时分类即可减少输出量并提升多尝试覆盖率。

链接：https://arxiv.org/abs/2611.11024

机构：University of Southern California（南加州大学）； Arizona State University（亚利桑那州立大学）

作者：Zhe Chen, Xiaolin Zhou, Xiyang Hu

AI 总结：该研究提出直接基于数据湖（Apache Iceberg湖表）实现混合商品搜索，扩展Apache Pinot引擎添加BM25评分等功能，在ESCI基准及2.77亿商品规模测试中，实现高效搜索并消除目录副本以降低运营成本。

链接：https://arxiv.org/abs/2611.11031

机构：StarTree Inc.（星树公司）

作者：Raghvendra Yadav, Xiang Fu, Chinmay Soman

AI 总结：本文针对有向无环图的网络化信息聚合，修正了全消息协议的有限样本分析缺口，提出共享草图协议并分离统计与通信误差，揭示行子采样并非唯一通信-统计量权衡方式。

链接：https://arxiv.org/abs/2611.11032

机构：Google Research（谷歌研究院）； University of Maryland（马里兰大学）

作者：Mohammadhossein Bateni, Zahra Hadizadeh, MohammadTaghi Hajiaghayi, Mahdi JafariRaviz, Shayan Taherijam

AI 总结：该研究揭示了选择性标签偏差导致的目标可恢复性失效问题，以ECG预测ACS为例，发现模型在未检测患者中预测性能反转，强调需在预期部署人群中评估可从输入推断的预测目标。

链接：https://arxiv.org/abs/2611.11063

机构：UC Berkeley（加州大学伯克利分校）； UCSF（加州大学旧金山分校）； Lund University（隆德大学）

作者：Alexander Schubert, Anton Håkansson, Ziad Obermeyer

AI 总结：本研究探究任务呈现与执行路径对LLM数学表现的影响，发现提交指令、草稿复用、候选可用性等因素显著影响模型解题正确率，且生成文本的价值具有条件性。

链接：https://arxiv.org/abs/2611.11102

作者：Min Huang, Mingyan Liu

AI 总结：针对多阶段LLM级联的风险控制需求，提出CompCRC框架，通过分解风险关联局部与系统级保证，在MMLU等数据集上较Global-CRC降低错误风险、提升准确率并减少推理成本，还可提供阶段诊断信息。

链接：https://arxiv.org/abs/2611.11114

机构：College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）

作者：Yuxia Sun, Jiahuang Wang, Haoting Liu, Zhiwei Huang, Tingrui Pei, Saiqin Long

AI 总结：本研究针对脑电数据集预处理与I/O开销大的问题，提出ZarrFM存储架构，经实验验证其在元数据查询、存储量、采样速度等方面优于现有格式，可作为脑电基础模型预训练的高效存储层。

链接：https://arxiv.org/abs/2611.11149

机构：University of Michigan, Ann Arbor（密歇根大学安娜堡分校）； University of Texas, Austin（德克萨斯大学奥斯汀分校）

作者：Dheeraj Chintapalli, Sunkalp Chandra

AI 总结：该研究针对多模态属性图方法掩盖细粒度模态贡献的问题，提出以模态为中心的TEAM框架，通过模态编码树与MSCT实现跨模态交换，在多项指标上超越基准方法。

链接：https://arxiv.org/abs/2611.11189

机构：Beijing Institute of Technology（北京理工大学）

作者：Yushuo Li, Xunkai Li, Zhengyu Wu, Ronghua Li, Guoren Wang

AI 总结：该研究针对动态用户画像中行为解读的不确定性问题，提出UAPM模型，结合POPD-DS训练，在三个个性化任务上较同预算基线最高提升5%。

链接：https://arxiv.org/abs/2611.11204

机构：University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； Pinterest

作者：Jieyong Kim, Neil Shah, Dong Wang

AI 总结：提出scBIG++全基因扰动预测框架，通过Gene-Relation Clustering等模块建模细胞异质性，在多场景下实现高效的扰动效应恢复与全基因表达重建。

链接：https://arxiv.org/abs/2611.11217

机构：College of Artificial Intelligence, Zhejiang University（浙江大学人工智能学院）； State Key Laboratory of Brain-Machine Intelligence, Zhejiang University（浙江大学脑机智能国家重点实验室）

作者：Jiafa Ruan, Zican Qiao, Zongxin Yang, Ruijie Quan, Yi Yang

AI 总结：本研究针对带受限特征交互的神经网络，提出可证明最小充分解释的计算方法，确定两种易处理场景并开发对应算法，所得解释更优且模型准确率更高，扩大了可高效解释的神经网络类别。

链接：https://arxiv.org/abs/2611.11224

机构：The Hebrew University of Jerusalem（耶路撒冷希伯来大学）； Masaryk University（马萨里克大学）

作者：Idan Refaeli, Yizhak Yisrael Elboher, Guy Katz, Shahaf Bassan

AI 总结：该研究针对DPO无法精确定位局部风险模式的问题，提出TLRS-DPO方法，通过令牌级风险评分等机制改进DPO，在几乎不影响有用性的前提下提升了LLM的对齐质量与安全性。

链接：https://arxiv.org/abs/2611.11232

机构：University of Pennsylvania（宾夕法尼亚大学）

作者：Suxin Ji, Hungtao Wan

AI 总结：本研究针对大语言模型推理成本高的问题，提出Chatter攻击，通过贝叶斯提示优化方法诱导模型生成长响应，实验显示其效果优于基线，最大响应长度提升31.5倍，揭示了LLM的资源耗尽风险。

链接：https://arxiv.org/abs/2611.11261

机构：College of AI, Tsinghua University（清华大学人工智能学院）； Shanghai Qi Zhi Institute（上海智知研究所）

作者：Yibo Miao, Yichuan Cao, Xiao-Shan Gao, Yinpeng Dong

AI 总结：本文通过受控实验评估UFE特征块对以太坊钓鱼检测的作用，发现其可提升6类模型的Macro-F1并降低假阳性率，且主要增益来自入站转账边总和属性。

链接：https://arxiv.org/abs/2611.11263

机构：FPT University（FPT大学）

作者：Thanh Dat Tran, Duy Loi Duong, Duy Luu Hoang, Minh Huy Tran, Vo Minh Thu Le, Nhat Tung Le

AI 总结：该研究针对在线任务的预算约束问题，提出PROBE方法构建校准预测边界并自适应分配预算，实验显示其能提升覆盖率且边界更紧凑。

链接：https://arxiv.org/abs/2611.11279

机构：Technion（以色列理工学院）

作者：Roy Maor Lotan, Shai Feldman, Yaniv Romano

AI 总结： 该研究提出面向低功耗边缘硬件的车牌识别统一框架，采用CSP-Darknet等组件，在Jetson Orin Nano上实现高吞吐量与低内存功耗，性能优于YOLOv8s+CRNN基线。

链接：https://arxiv.org/abs/2611.11289

机构：Walmart（沃尔玛）； Delft University of Technology（代尔夫特理工大学）； Heidelberg University（海德堡大学）

作者：Saurabh Kumar, Dewant Katare, Prakriti Jain

AI 总结：针对传感器故障导致的预测区间覆盖问题，提出测量记录审计方法，结合故障时长、目标可用性等统计证据，在METR-LA等数据集验证了长间隔预测的覆盖差距。

链接：https://arxiv.org/abs/2611.11324

机构：National Chung Hsing University（国立中兴大学）； National Center for High-Performance Computing (NCHC)（国家高速网络与计算中心）； National Institutes of Applied Research (NIAR)（国家应用研究院）

作者：Chung-I Huang, Wen-Yi Chang

AI 总结：该研究测试了冻结权重的90亿参数模型的注释能否从智能体失败轨迹中学习，发现其在客服决策任务中可提升准确率4.0个百分点，但在完整客服对话等场景中无明显增益，还筛选出了相关课程并发现部分测试项存在缺陷。

链接：https://arxiv.org/abs/2611.11342

机构：Hopit AI

作者：Arkid Mitra

AI 总结：Spatial Harness 借助物理引擎将场景表示为可执行世界状态，通过 Perceiver 和 Reasoner 模块优化视觉语言模型的空间推理，在多个基准测试中显著提升了 Qwen3.5-27B 等模型的空间推理准确率

链接：https://arxiv.org/abs/2611.11344

机构：Hong Kong Baptist University（香港浸会大学）； ByteDance（字节跳动）

作者：Chentao Cao, Zhanke Zhou, Sangni Duan, Bo Han, Hang Li

AI 总结：D3Tree是学习剪枝块扩散草稿树的方法，通过树大小头预测节点存活，在多负载下提升投机解码速度，降低端到端延迟。

链接：https://arxiv.org/abs/2611.11371

机构：University of Science and Technology of China（中国科学技术大学）； Unisound AI Technology Co., Ltd.（云知声人工智能技术有限公司）

作者：Hong Nie, Zhangchi Gao, Jun Yu, Bo Wang, Jianqing Sun, Shengping Liu

AI 总结：本研究将约束规划传播器排序任务转化为学习排序问题，提出基于自注意力的模型，在XCSP3实例上验证其学习到的优先级可提升求解性能，尤其对困难实例效果显著。

链接：https://arxiv.org/abs/2611.11447

机构：Faculty of Mathematics, University of Belgrade（贝尔格莱德大学数学学院）

作者：Matija Lojović, Mladen Nikolić

AI 总结：该研究提出无需标记校准的AI流程，通过追踪视频中高尔夫挥杆的生物力学特征，检测上杆过度和早期伸展两种失误，准确率达0.975和0.911，可开发为高尔夫应用。

链接：https://arxiv.org/abs/2611.11515

机构：School of Engineering Mathematics and Technology University of Bristol（布里斯托尔大学工程数学与技术学院）

作者：Oliver Martin, Jeff Clark, Nawid Keshtmand

AI 总结：该研究提出有效边界复杂度作为冻结表示和线性探测的标签预算诊断方法，通过测量边界附近特征质量实现标签需求预测，实验验证其在骨干排名和标签预算估计上的高相关性。

链接：https://arxiv.org/abs/2611.11525

机构：Shanghai University（上海大学）

作者：Siming Zhang, Zhehui Shen, Shijie Chen, Yansen Yu, Hang Yu

AI 总结：该研究通过动力系统分析AdamW的动力学，发现其存在不稳定平衡点与不收敛现象，推导了高维下局部稳定的充分条件，并提出保留其不动点的收敛改进方案，为可靠优化器设计提供启发。

链接：https://arxiv.org/abs/2611.11526

机构：The University of Texas at Austin（德克萨斯大学奥斯汀分校）

作者：Baiyu Su, Lizhang Chen, Qiang Liu

AI 总结：本文针对机器学习集成网络物理系统，提出数据操纵攻击策略生成方法，以研究攻击者如何利用欺骗单个学习器的能力攻击整体组合，旨在推动组合学习安全的相关讨论与合作。

链接：https://arxiv.org/abs/2611.11529

机构：Vanderbilt University（范德堡大学）； Amherst College（阿默斯特学院）

作者：Soyon Choi, Scott Alfeld, Meiyi Ma

AI 总结：针对AR中自我中心长视频的时间冗余问题，提出即插即用的UTOPI预压缩模块，结合用户运动与眼动追踪实现95%压缩率并保留性能。

链接：https://arxiv.org/abs/2611.11562

机构：New York University（纽约大学）； Meta Reality Labs（元现实实验室）

作者：Ziqi Wang, Su Chen, Qiance Tang, Jieyu Lin, Ziyun Li, Barbara De Salvo, Sai Qian Zhang

AI 总结：本研究针对自动化显微镜的多步骤工作流，开发了预算受限框架，结合奖励设计与知识迁移，通过电子能量损失谱实验验证了其在自主结构-性质发现中的有效性，为自主实验部署提供了可复现方法与要求。

链接：https://arxiv.org/abs/2611.11609

作者：Sergei V. Kalinin

AI 总结：针对无法获取目标分布样本的薛定谔桥数值近似问题，提出带固定Kullback-Leibler散度约束的IPF信赖域变体，提升数值稳定性并经采样任务验证有效。

链接：https://arxiv.org/abs/2611.11649

机构：RIKEN AIP（理化学研究所人工智能项目）； Kyushu University（九州大学）； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）； Zuse Institute Berlin（柏林祖斯研究所）； Technische Universität Berlin（柏林工业大学）

作者：Takeshi Koshizuka, Denis Blessing, Max Zimmer, Sebastian Pokutta, Lorenz Richter

AI 总结：针对紧凸集上带集值算子的Minty集包含问题，提出几何方法结合椭球设计RESOLVENT-ELLIPSOID算法，利用预解算子查询的二分性质，首次在固定尺度预解模型中给出单调包含的黑盒查询复杂度保证。

链接：https://arxiv.org/abs/2611.11691

机构：Massachusetts Institute of Technology（麻省理工学院）

作者：Ashkan Soleymani, Gabriele Farina, Patrick Jaillet

AI 总结：该研究针对EHR数据中生理状态与诊疗流程的纠缠问题，证明单一数据集无法识别相关信息划分，跨站点不变性非有效识别策略，仅特定检验设置可恢复识别，建议跨站点分析作为联合假设检验。

链接：https://arxiv.org/abs/2611.11726

机构：Laboratory for Computational Physiology, Massachusetts Institute of Technology（麻省理工学院计算生理学实验室）； Boston University School of Public Health（波士顿大学公共卫生学院）； Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）； Siriraj Informatics and Data Innovation Center, Mahidol University（玛希隆大学诗里拉吉信息学与数据创新中心）； University of Geneva（日内瓦大学）； CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央高等电力学院）； Duke University School of Medicine（杜克大学医学院）； Illinois Mathematics and Science Academy（伊利诺伊数学与科学学院）； Harvard Medical School（哈佛医学院）； Emory University（埃默里大学）； Elon University（伊隆大学）； JSPH International Boston Institute for Global Public Health, Inc.（JSPH国际波士顿全球公共卫生研究所）； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）

作者：Mohammad Shahin, Krittaphas Chaisutyakorn, Dimitrios Proios, David Restrepo, Vishala Mishra, Boya Zhang, Aadarsh Sivaraman, Sparsh Roy, Benet Fité Abril, Tina Yen-Ting Chen, Hyunjung Gloria Kwak, Andre Kurepa Waschka, Vinayak Mathur, Leo Anthony Celi

AI 总结：针对种群博弈动态预测问题，提出感知收益的学习方法 PA-RmD，保留收益信息显式性并学习独立于收益的响应结构，经实验验证其在变化收益设计下表现良好。

链接：https://arxiv.org/abs/2611.11786

机构：School of Computing and Artificial Intelligence, Shanghai University of Finance and Economics（上海财经大学计算机与人工智能学院）； School of Economics and Management, Tsinghua University（清华大学经济管理学院）

作者：Kang Wang, Xiao Wang, Bo Li, Renzhe Xu

AI 总结：APO2CS是整合宏微观监督的偏好优化目标，通过优势项丰富成对偏好、比较部分轨迹，提升组合优化中偏好学习的表达与搜索能力，在多任务中表现出色。

链接：https://arxiv.org/abs/2611.11792

机构：National University of Defense Technology（国防科技大学）

作者：Kaixi Yang, Linbo Qiao, Wei Shang, Yanqi Shi, Dongsheng Li

AI 总结：针对现有药物推荐预测集方法忽略药物层级不匹配严重程度的问题，提出共形严重程度控制框架，在MIMIC-IV数据集上验证其可追踪严重程度容差并优化预测集匹配效果。

链接：https://arxiv.org/abs/2611.11847

机构：McGill University（麦吉尔大学）； Georgia State University（佐治亚州立大学）； Ohio University（俄亥俄大学）

作者：Yu Gu, Zijun Yu, Chi-Kuang Yeh, Xinyu Wang, Ziyang Song

AI 总结：本文研究等间距过完备ICA中公共旋转的估计问题，证明其模列间距可识别，但样本量随源数指数增长，提出径向加权相位估计器并给出样本量指数的界。

链接：https://arxiv.org/abs/2611.11852

机构：The George Washington University（乔治·华盛顿大学）； University of Health and Rehabilitation Sciences（健康与康复科学大学）； University of California, San Diego（加利福尼亚大学圣迭戈分校）； Georgia State University（佐治亚州立大学）； Georgia Institute of Technology（佐治亚理工学院）

作者：Wenjun Xiao, Yinghao Fang, Hanxin Chen, Sihan Jia, Vince D Calhoun, Yuda BI

AI 总结：针对扩展型博弈中全信息在线决策的极小极大遗憾问题，引入热带高斯公式刻画奖励相关性，证明树状策略空间下的对数依赖遗憾界是极小极大最优的，明确了现有算法对简化型策略复杂度依赖的必然性。

链接：https://arxiv.org/abs/2611.11877

机构：MIT（麻省理工学院）； University of Washington（华盛顿大学）

作者：Ashkan Soleymani, Zhiyuan Fan, Lillian J. Ratliff, Patrick Jaillet, Gabriele Farina

AI 总结：该研究提出ECDP方法，分离思维链中最终答案与即将发出的信号，发现答案可解码性具目标相关性，为判断语言模型决策时机提供实用控制手段。

链接：https://arxiv.org/abs/2611.11892

机构：ThakiCloud

作者：Hyojung Han, Jongmin Kim, Seung-Hun Jeon

AI 总结：该研究针对自动化实验室中LLM实验的硬性截止期限问题，通过合成样本决策和Qwen3-8B实验，发现单独报告答案质量与延迟会高估推理价值，需结合答案价值、到达时间及实际运行操作评估LLM智能体。

链接：https://arxiv.org/abs/2611.11910

机构：Carnegie Mellon University（卡内基梅隆大学）； Arm, Inc.（安谋公司）

作者：Sina Barazandeh, Benjamin E. Lundell, Jose Lugo-Martinez

AI 总结：提出原生LightGBM扩展CRAFT-GBM，利用训练中积累的分裂增益证据自适应选择特征，在14个数据集上验证其可减少训练时间且不增加测试损失。

链接：https://arxiv.org/abs/2611.11914

机构：Massachusetts Institute of Technology (MIT)（麻省理工学院）； National University of Singapore (NUS)（新加坡国立大学）； Asian Institute of Digital Finance (AIDF)（亚洲数字金融学院）

作者：Basil Kuok, Yi Zhou, Yao Xuan, Shuping Li, Ke-Wei Huang

AI 总结：本研究针对脑电疲劳检测中跨频段频谱结构对时间区间贡献影响未充分探索的问题，提出轻量级网络LBSNet，通过原型引导的时间加权机制实现更优检测性能，在两个数据集上优于7个基线且计算成本低。

链接：https://arxiv.org/abs/2611.11916

机构：Tsinghua University（清华大学）； School of Biomedical Engineering, Tsinghua Medicine, Tsinghua University（清华大学医学院生物医学工程学院）

作者：Kun Jia, Zhenyu Cao, Hanlin Yu, Zeyuan Li, Yixuan Liu, Zhongye Xia, Sen Song, Zhiyuan Ma

AI 总结：该研究揭示Transformer在图搜索、SET任务上的失败源于层的求和机制，提出深度与规模两条规律，构建的传播层、指数牛顿法等模型在相关任务上实现了高效学习与迁移，还解释了对层失效及并行层循环的原因。

链接：https://arxiv.org/abs/2611.11937

机构：MIT Media Lab（麻省理工学院媒体实验室）

作者：Mostafa 'Neo' Mohsenvand

AI 总结：本文提出决策感知OD需求估计框架，结合结构约束交通数据，通过几何近似可行需求区域并采用凸替代项优化，实验显示其相比传统方法可降低决策遗憾。

链接：https://arxiv.org/abs/2611.11946

机构：Institute of Transportation Studies, University of California, Davis（加州大学戴维斯分校运输研究所）； Department of Civil and Environmental Engineering, University of California, Davis（加州大学戴维斯分校土木与环境工程系）； Daniel J. Epstein Department of Industrial and Systems Engineering, University of Southern California（南加州大学丹尼尔·J·爱泼斯坦工业与系统工程系）

作者：Xianzhe Wang, Yueyue Fan, Johannes Royset

AI 总结：该研究针对ICU出院风险评估，提出操作感知多模态CDSS，结合多智能体协作提取与自进化RAG，通过端到端多模态微调架构解决类别不平衡等问题，在MIMIC-III数据集上取得了优于基线的预测性能。

链接：https://arxiv.org/abs/2611.11960

机构：Graduate School of Informatics, Kyoto University（京都大学信息学研究科）

作者：Guoqing Zhang, Rafik Hadfi, Takayuki Ito

AI 总结：该研究针对数据压缩中潜在维度选择的挑战，提出成对失真分布（PDD）与成对维度（PD），证明PD约束Rényi信息维度，PDD为随机码本量化性能提供下界，可指导压缩等应用。

链接：https://arxiv.org/abs/2611.11967

机构：Nokia Bell Labs（诺基亚贝尔实验室）； University of Southern California（南加州大学）

作者：Carl Nuzman, Jeongmin Chae, Kursat Rasim Mestav, Urbashi Mitra

AI 总结：ShiftCache是一种通过复用移位参考编码实现插入缺失效应快速精确预测的系统，在A6000显卡上较多种现有方法速度提升显著，且在多数场景下预测精度与密集执行一致。

链接：https://arxiv.org/abs/2611.11976

机构：Carnegie Mellon University（卡内基梅隆大学）； University of Pittsburgh School of Medicine（匹兹堡大学医学院）

作者：Sina Barazandeh, Arth Banka, Jose Lugo-Martinez

AI 总结：本研究提出由Hyra 2.0训练的高效开源PLM HyPLM-Flash，其精度与现有顶尖模型相当但训练推理成本更低，在多项任务中表现优异，为蛋白质语言模型设定新帕累托前沿。

链接：https://arxiv.org/abs/2611.12000

作者：Haowei Lin, Cai Zhou, Xiangxin Zhou

AI 总结：提出推测自蒸馏（SSD）方法，在闭卷问答基准上以更少监督 token 达到接近策略蒸馏的性能，优于离策略蒸馏，还在遗忘测试中表现更优，为自蒸馏建立新帕累托前沿。

链接：https://arxiv.org/abs/2611.12016

机构：Stanford University（斯坦福大学）； ETH Zürich（苏黎世联邦理工学院）

作者：Shayan Talaei, Agam Bhatia, Arshia Soltani Moakhar, Jonas Hübotter, Amin Saberi, Azalia Mirhoseini

AI 总结：针对神经网络在稀疏扰动下的鲁棒性验证问题，提出FocusBranch组合分支定界框架，通过节点抽象统一两种分支机制，结合节点安全验证与自适应节点采样策略，提升了验证效率与效果，优于现有方法。

链接：https://arxiv.org/abs/2611.12024

机构：Simon Fraser University（西蒙菲莎大学）

作者：Renwei Deng, Yang He, Linyi Li, Yuepeng Wang

AI 总结：本文通过建立上下界，证明特征空间维度n和类别数k均不小于3时，具有两两不同类别权重的齐次多类线性预测器的精确纳塔兰维度为n(k-1)-1。

链接：https://arxiv.org/abs/2611.12058

机构：School of Mathematics and Statistics, Xidian University（西安电子科技大学数学与统计学院）

作者：Jiahua Liu, Benchong Li

AI 总结：该研究提出混合注意力语言模型间的KV缓存转换方法，通过映射不同模型的KV缓存格式实现无需重读上下文的对话接管，在多组16B-48B规模模型上验证了其召回率、速度等性能优势。

链接：https://arxiv.org/abs/2611.12062

机构：Hostinger Research（Hostinger研究院）

作者：Povilas Kvedaras, Tomas Rasymas

AI 总结：XposedMIA是一种基于XAI的一次性黑盒成员推理攻击，利用LIME的局部代理几何作为样本到模型决策边界的距离代理，经30个样本校准后，单查询成功率达0.95，揭示了解释会导致成员信息泄露。

链接：https://arxiv.org/abs/2611.12067

机构：Bilkent University（毕尔肯大学）； Case Western Reserve University（凯斯西储大学）； IBM Research（IBM研究院）

作者：Omar Hamdache, Serdar Kara, Kıvanç Kuzey Dikici, Abdullah Çağlar Öksüz, Anisa Halimi, Erman Ayday, Sinem Sav

AI 总结：该研究探讨本地7B代码模型的交互策略对其优化GPU内核能力的影响，发现正确性是核心约束，不同难度任务需不同策略，朴素智能体框架有害，优化后正确率可大幅提升。

链接：https://arxiv.org/abs/2611.12079

机构：National Taiwan University（台湾大学）

作者：Jui-Chien Tsou, Po-Yi Wu

AI 总结：针对可穿戴IMU的HAR场景，提出纯脉冲频域Transformer TSFFormer，通过MultiHeadFourier注意力与双区室TSLIFNode解决SNN缺陷，在8个IMU基准上实现优于现有模型的性能，训练速度提升约3倍且能耗仅0.1 pJ。

链接：https://arxiv.org/abs/2611.12090

机构：Xidian University（西安电子科技大学）

作者：Jiale Deng, Shuiying Xiang

AI 总结： 该研究针对同文档负样本难区分问题，提出含自适应尺度调整与分块感知路由的两部分框架，在ConTEB和NanoBEIR上提升了上下文分块检索性能且保留了段落级检索质量。

链接：https://arxiv.org/abs/2611.12097

作者：Yuanxiang Wang, Hui Jiang, Da Zhu, Zhihua Chang

AI 总结：该研究针对LLM智能体工具调用效率问题，提出CARE-PO方法，通过锚定任务难度的参考预算等设计，在GAIA等基准上实现效率与能力的可控权衡，多数操作点同时提升成功率并减少调用次数。

链接：https://arxiv.org/abs/2611.12125

机构：Shenzhen University（深圳大学）； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳））； China Southern Power Grid Company Limited（中国南方电网有限责任公司）

作者：Xiaoyang Ye, Xiao Yao, Hairui Zhu, Yiying Yang, Bei Gan, Jinliang Lu, Tengjin Weng, Yuan Yao, Wenhao Jiang

AI 总结：本文针对单样本联邦图学习的单传输瓶颈，提出FedHFT框架，通过高保真代理精化与可迁移性引导协作提升知识质量与利用效率，在同、异质性图上验证了其优越性。

链接：https://arxiv.org/abs/2611.12131

机构：School of Computer Science, Wuhan University（武汉大学计算机学院）； Guangdong Laboratory of Artificial Intelligence and Digital Economy, Shenzhen, China（广东省人工智能与数字经济实验室）； College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院）

作者：Jia Jiang, Zihan Tan, Wenke Huang, Bin Yang, Mang Ye

AI 总结：该研究针对高斯正则化JEPAs，通过构造全局反例证明仅有良好视图无法保证其全局最优解的场景不变性与旋转唯一性，揭示了正则化、视图与预测任务对表征的影响。

链接：https://arxiv.org/abs/2611.12137

机构：School of Automation and Intelligence（自动化与智能学院）； Beijing Jiaotong University（北京交通大学）

作者：Anran Xu

AI 总结：该研究针对自回归图生成中平面游走模糊高阶结构的问题，提出分层图抽象与由粗到细生成流水线，揭示设计维度并验证其在分子数据集上的分布与结构增益，明确其适用条件。

链接：https://arxiv.org/abs/2611.12160

机构：University of California San Diego（加利福尼亚大学圣迭戈分校）； Salk Institute for Biological Studies（索尔克生物研究所）

作者：Kaiwen Bian, Andrew H. Yang, Yusu Wang, Ali Parviz, Gal Mishne

AI 总结：本研究复现热舒适队列模型（CCMs），发现其未优于简单基线，挑战了CCMs可改进热偏好预测的原始结论，指出原始研究存在方法学缺陷。

链接：https://arxiv.org/abs/2611.12178

机构：TU Wien（维也纳技术大学）； Complexity Science Hub（复杂科学中心）； Singapore Management University（新加坡管理大学）； Singapore-ETH Centre（新加坡-ETH中心）； University of California, Berkeley（加州大学伯克利分校）

作者：Thomas Hirsch, Katja Ceplak, Veronika Windisch, Samina Kadkhoda Masoumali, Matias Quintana, Clayton Miller, Stefano Schiavon, Gerald Schweiger

AI 总结： 针对事件时间预测的可解释性障碍，提出ODDS-DR方法，通过对数赔率加性参数实现领域对齐与时变特征归因，在两个临床队列上达到先进预测性能并输出可解释风险标志物。

链接：https://arxiv.org/abs/2611.12268

机构：BIFOLD – Berlin Institute for the Foundations of Learning and Data（BIFOLD——柏林学习与数据基础研究所）； Deutsches Herzzentrum der Charité（夏里特德国心脏中心）； Charité – Universitätsmedizin Berlin（夏里特柏林医学院）； DZHK (German Centre for Cardiovascular Research)（德国心血管研究中心）

作者：Jakob Versnjak, Manuel Welte, Titus Kuehne, Marcus Kelm, Grégoire Montavon

AI 总结：本文以ARC-AGI-3为基准，构建35M参数的视觉Transformer模型WARC，研究世界模型学习未知游戏机制所需的曝光次数，WARC-Agent通过测试时训练大幅提升探索器效率，在隐藏游戏中得分为0.20。

链接：https://arxiv.org/abs/2611.12324

机构：Third Intelligence, Inc.（第三智能公司）； The University of Tokyo（东京大学）

作者：Ku Onoda, Haruto Kawano, Shota Takashiro, Kohei Hayashi

AI 总结：该研究探讨多项式密度神经元中矩向量传播的计算本质，对比$p_\text{CD}$与$p_\text{EU}$的差异，通过合成与真实数据实验验证相关假设，明确两者对应不同贝叶斯更新规则及适用场景。

链接：https://arxiv.org/abs/2611.12339

机构：AGH University of Krakow（克拉科夫AGH科技大学）

作者：Przemysław Spyra

AI 总结：本文提出基于可微分模拟器的两阶段快速模拟推理（RSBI），采用薛定谔桥扩散采样等技术，在标准 SBI 基准及引力波后验估计任务中展现优异性能，大先验体积下性能下降仅约5%。

链接：https://arxiv.org/abs/2611.12422

机构：Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）； Max Planck Institute for Gravitational Physics (Albert Einstein Institute)（马克斯·普朗克引力物理研究所（阿尔伯特·爱因斯坦研究所））； Scuola Internazionale Superiore di Studi Avanzati (SISSA)（国际高等研究学院（SISSA））； IFPU - Institute for Fundamental Physics of the Universe（宇宙基础物理研究所（IFPU））； INFN – National Institute for Nuclear Physics（国家核物理研究所（INFN））； Italian Research Center on High-Performance Computing, Big Data and Quantum Computing（意大利高性能计算、大数据与量子计算研究中心）； Imperial College London（伦敦帝国学院）

作者：Uros Zivanovic, Rahul Srinivasan, Roberto Trotta, Andre Scaffidi

AI 总结：本研究针对概率电路（PCs）的可学习性问题，提出递归参数共享构造（RePA），可大幅降低时间与内存消耗，还推广至无块结构的表格数据（NoPA），效率提升且性能变化微小。

链接：https://arxiv.org/abs/2611.12436

机构：University of Edinburgh（爱丁堡大学）

作者：Charles Bricout, Gennaro Gala, Viacheslav Borovitskiy, Antonio Vergari

AI 总结：该研究提出用CNN以矩阵非零结构的间谍图为输入，回归候选求解器对数时间比，实现稀疏线性系统自动求解器选择，在SuiteSparse矩阵和真实高性能模拟矩阵上预测精度高。

链接：https://arxiv.org/abs/2611.12475

机构：Massachusetts Institute of Technology（麻省理工学院）

作者：Artemis Pados, Alan Edelman, Emmanuel Lujan, Daniel Pickard, Felipe Tome, Christopher Rackauckas

AI 总结：LawKAN通过将已知非交换群律嵌入模型节点、边学习局部增量、零初始化ψ校正偏差，在SU(2)组合和机械臂任务中，以更少参数实现更高精度，且可跨场景迁移。

链接：https://arxiv.org/abs/2611.12567

作者：Anna Mishchenko, Nikolai Gavrilin (Independent researchers)

AI 总结：该研究提出HC-ROCP框架，在临床任务中通过添加伤害惩罚减少严重行动错误，在多个数据集上验证其效果，可根据预算证明、报告或拒绝相关主张。

链接：https://arxiv.org/abs/2611.12662

机构：College of Computing & Artificial Intelligence, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算与人工智能学院）； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）

作者：Zhiyuan Li, Lequan Yu

AI 总结：本研究针对消费品贸易促销的传统单一价格弹性方法，提出端到端TPO系统，通过多方式测弹性、模拟SKU池化等优化，在39个SKU的实验中实现销量20.6%、收入6.9%的提升。

链接：https://arxiv.org/abs/2611.12665

机构：TrueGradient AI

作者：Ankur Verma, Namrata Gupta

AI 总结：本文提出几何方法学习图上二元数据标注的深度分配流时变参数化，通过受控参数流与几何融合实现二元深度分配流层，数值结果验证了该方法的表达能力与局限性。

链接：https://arxiv.org/abs/2611.12668

机构：Heidelberg University（海德堡大学）

作者：Paul Fröhling, Christoph Schnörr

AI 总结：本研究提出TACTUS自动化触觉阵列系统，可快速生成肉鸡木质胸肌病的三维硬度图，能检测现有方法未发现的区域力差异，为相关分类系统提供基准真值。

链接：https://arxiv.org/abs/2611.12695

机构：University of Arkansas（阿肯色大学）

作者：Chaitanya Pallerla, Yihong Feng, Avisekh Tripathy, Yang Tian, Pouya Sohrabipour, Amirreza Davar, Casey M. Owens, Cengiz Koparan, Dongyi Wang

AI 总结：该研究针对错误类型差异问题，提出Z-学习器概念，通过几何特征刻画可提升的Z集合，设计自适应提升算法，证明其可实现置信度放大，推广了经典提升理论。

链接：https://arxiv.org/abs/2611.12696

机构：Università degli Studi di Milano（米兰大学）； Apple Research（苹果研究院）； Tel Aviv University（特拉维夫大学）； Google Research（谷歌研究院）； Technion（以色列理工学院）； University of Tübingen（蒂宾根大学）； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）

作者：Marco Bressan, Nataly Brukhim, Nicolò Cesa-Bianchi, Emmanuel Esposito, Yishay Mansour, Shay Moran, Maximilian Thiessen

AI 总结：本文扩展Fisher-glass框架推导局部极小极大超额分类风险下界，在Waterbirds实验验证背景变化对分类准确率的影响，发现信息与预测增益可分歧，支持多维度联合评估模型。

链接：https://arxiv.org/abs/2611.12702

机构：School of Engineering, Institute of Science Tokyo（东京科学技术大学工程学院）

作者：El Mustapha Mansouri

AI 总结：本研究提出基于集群的生成式标注（GLOC），用于解决传统图像标注方法的局限，在Pinterest的混合搜索中验证其性能优于过往方法，实现了高可扩展、低成本的多模态图像洞察服务。

链接：https://arxiv.org/abs/2611.12725

作者：Zhenjie Zhang, Sainan Chen, Kshiteesh Hegde, Mengze (Irene)Li, Pouya Rezazadeh Kalehbasti, Munachim Ezema, Karina Sobhani

AI 总结：提出KiteNorm方法，结合残差缩放与方差正则化，提升后层归一化Transformer的训练稳定性，在仅解码器设置中优于领先基线，适配大模型扩展需求。

链接：https://arxiv.org/abs/2611.12729

机构：ELLIS Institute Tübingen（埃利斯研究所蒂宾根分所）； MPI for Intelligent Systems（智能系统马克斯·普朗克研究所）； Tübingen AI Center（蒂宾根人工智能中心）

作者：Leon A. Trochelmann, Sajad Movahedi, Shiwei Liu, Antonio Orvieto

AI 总结：本文在LeWorldModel基础上引入后向动力学预测器与逆动力学动作预测器两种潜在损失，提升了世界模型的性能与规划效率，在标准基准及模拟机器人操作任务上验证了该方法的有效性。

链接：https://arxiv.org/abs/2611.12732

机构：Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）

作者：Xinrui Zu, Michael Przystupa, Zhao Yang, Shujian Yu, Kevin Sebastian Luck

AI 总结：该研究针对精确因果结构学习，提出团约束方法，评估其在不同图上的效果，明确其益处受图密度等因素影响，确定选择性分离等为有前景方向。

链接：https://arxiv.org/abs/2611.12747

机构：AI Center（AI中心）； Czech Technical University in Prague（布拉格捷克技术大学）

作者：Xiaoyu He, Pavel Rytíř, Petr Ryšavý, Jakub Mareček

AI 总结：本研究开发了基于智能手机的透射成像与三维点云框架，结合多模态特征与集成模型，实现了鸡胸肉木质胸肌病的无损严重程度分类，准确率达约90%。

链接：https://arxiv.org/abs/2611.12796

机构：University of Arkansas（阿肯色大学）

作者：Chaitanya Pallerla, Ramesh Bahadur Bist, Yihong Feng, Yang Tian, Shiva Paudel, Casey M. Owens, Cengiz Koparan, Jeyamkondan Subbiah, Dongyi Wang

AI 总结：本研究针对高维反事实推理的反演步骤必要性展开研究，评估从图像编辑文献重新设计的无反演方法，在CelebA、ADNI数据集上对比基于反演与无反演方法的有效性和身份保留指标，呈现二者权衡。

链接：https://arxiv.org/abs/2611.12815

机构：School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）； DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）

作者：Saketh Vishnubhatla, Pingchuan Ma, Shu Wan, Alimohammad Beigi, Andre Harrison, Adrienne Raglin, Huan Liu

AI 总结：该研究发现FP4预训练虽验证损失仅略高，但获取稀有事实需更多曝光，其成本源于更新中的噪声，建议评估低精度方案时兼顾稀有事实获取。

链接：https://arxiv.org/abs/2611.12832

作者：Chang Lu, Mengjiao Zhang

AI 总结：本研究提出KC-Maps方法，仅用无轨迹边际样本及SDE的漂移、扩散系数学习转移核，可高效模拟肽分子系统，在GPU小时消耗上优于经典分子动力学。

链接：https://arxiv.org/abs/2611.12880

机构：Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）； Université de Montréal（蒙特利尔大学）； Institut Courtois（库尔图瓦研究所）； Valence Labs（瓦伦斯实验室）

作者：Majdi Hassan, Marta Skreta, Dominique Beaini, Kirill Neklyudov

AI 总结：本研究针对子群体偏移导致模型泛化差的问题，扩展高斯特征模型框架，发现多种子群体数据配置可达到与平衡配置相当的性能，提出梯度调整方向，表明策略性数据分配比简单平衡更具优势。

链接：https://arxiv.org/abs/2611.12884

机构：Elmore Family School of Electrical and Computer Engineering, Purdue University（普渡大学埃尔莫尔电气与计算机工程学院）

作者：Zhaoying Pan, Yipei Wang, Shenyu Lu, Xiaoqian Wang