社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

机器学习学术速递[11.17]

arXiv每日学术速递 • 9 小时前 • 17 次点击  

2026-11-17 | CS.LG机器学习 | 共 252 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 25 篇

2. 表示学习、自监督与对比学习 8 篇

3. 强化学习与序列决策 29 篇

4. 生成模型与概率建模 13 篇

5. 优化、泛化与理论分析 13 篇

6. 高效学习、压缩与部署 3 篇

7. 联邦学习、隐私与安全 5 篇

8. 鲁棒性、不确定性与可信学习 6 篇

9. 图学习与结构化数据 7 篇

10. 迁移、元学习与持续学习 9 篇

11. 数据集、基准与评测 8 篇

12. 机器学习应用 15 篇

13. 其他/综合机器学习 111 篇

1. 深度学习架构与训练方法 | 25 篇

1. Mechanistic Interpretability of Mambas Selective Gate in Financial Markets: A Leakage-Controlled Study

金融市场中Mamba选择性门控的机械可解释性:一项泄漏控制研究

AI 总结:本文将机械可解释性应用于金融领域的Mamba模型,提出泄漏控制协议,发现此前报告的市场 regime 结构是标签污染的人工产物,仅残余选择性门控效应可检测但经济意义微弱。

链接:https://arxiv.org/abs/2611.18599

作者:Dip Roy, Rajiv Misra, Sanjay Kumar Singh, Anisha Roy

2. Algebraic Interaction: A Recipe for Neural Architecture Generation

代数交互:神经架构生成的一种方法

AI 总结:该研究提出代数交互方法,通过修改特征代数而非位置路由,在线性注意力、Mamba等模型中提升准确率、效率或实现等变性,将架构设计简化为代数规范。

链接:https://arxiv.org/abs/2611.18649

机构:Qiuzhen College, Tsinghua University(清华大学求真书院); YMSC, Tsinghua University(清华大学丘成桐数学科学中心)

作者:Haonan Dong, Angelica I Aviles-Rivero

3. Earth World Model: Physics-constrained latent dynamics for forecasting and environmental scenario analysis

地球世界模型:用于预测和环境情景分析的物理约束隐动力学

AI 总结:本研究提出地球世界模型(EWM),将异构观测压缩为低维隐状态,结合物理约束解码实现预测与环境情景分析,在光伏、风电场景的实验中取得了优异的预测与干预响应评估结果。

链接:https://arxiv.org/abs/2611.18654

机构:Beijing Latent Vector Technology Co., Ltd.(北京隐向量科技有限公司); School of Mechanical and Energy Engineering, Beijing University of Technology(北京工业大学机械与能源工程学院)

作者:Huijun Qiao, Ziqiang Zhang, Jinnong Liao

4. Beveridge: Open Weight System One Decision Models with Calibrated Probabilities

Beveridge:带校准概率的开放权重System One决策模型

AI 总结:研究针对生产系统的窄范围文档决策需求,提出Beveridge系列开放权重System One决策模型,在操作文档等基准上优于通用大模型与商业API,置信度校准且推理高效,相关权重与代码已开源。

链接:https://arxiv.org/abs/2611.18655

机构:BDST: Big Data Science & Technology Ltd(BDST:大数据科学与技术有限公司)

作者:Sathiskumar Jothi

5. Bilateral Log-Linear Attention

双边对数线性注意力

AI 总结:针对对数线性注意力的上下文召回局限,提出双边对数线性注意力,通过双层次结构结合提升关联召回与长上下文检索性能,在多任务中显著优于正向对数线性注意力。

链接:https://arxiv.org/abs/2611.18974

机构:Oak Ridge National Laboratory(橡树岭国家实验室)

作者:Kazi Ashik Islam, Guojing Cong

6. Understanding the Role of Reasoning Data in Pretraining

推理数据在预训练中的作用理解

AI 总结:该研究探究预训练中推理数据与原子事实的平衡问题,通过理论推导与自然语言实验,明确推理链结构和数据覆盖对训练数据分配的影响,为预训练数据分配提供了原则性指导。

链接:https://arxiv.org/abs/2611.19042

机构:University of California, Los Angeles(加州大学洛杉矶分校); Cisco Research(思科研究院)

作者:Jianhao Huang, Allan Zhang, Ali Payani, Baharan Mirzasoleiman

7. Where Mixture Recognition Fails: An Ingredient-Level Audit of Unseen Combinations in SmellNet

混合识别的失效场景:SmellNet中未见组合的成分级审计

AI 总结:该研究针对SmellNet基准,审计四种架构在未见混合物组合上的识别失效,发现模型受无法分离的成分和常见成分偏好限制,提出应采用集合级错误且不使用基数神谕的评估方式。

链接:https://arxiv.org/abs/2611.19297

作者:Zirui Liu, Zheming Zhu

8. Federated versus Centralized PV Capacity-Factor Forecasting: A Non-Inferiority Study Across Seven Stations in North Macedonia

联邦学习与集中式光伏容量因子预测:北马其顿七个站点的非劣性研究

AI 总结:本研究以北马其顿七个站点为对象,对比联邦与集中式光伏容量因子预测,发现FedProx训练满足非劣性标准,为数据受限场景的联邦预测应用提供支撑。

链接:https://arxiv.org/abs/2611.19421

机构:Kadir Has University(卡迪尔哈斯大学); Friedrich Alexander University Erlangen-Nuremberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学); Ss. Cyril and Methodius University(圣西里尔和美多德大学)

作者:Amar Kumar Mandal, Yuvraj Chaudhary, Dimitar Kitanovski, Eftim Zdravevski

9. Architectures and KV Replay for Depth-Recurrent Language Models

深度循环语言模型的架构与键值(KV)重放

AI 总结:该研究针对深度循环语言模型自回归解码时内存随深度增长的问题,提出循环混合模型、Parcae风格架构及带循环KV重放的循环Transformer等方法,实现KV状态共享并保持接近基准的性能。

链接:https://arxiv.org/abs/2611.19446

作者:Lucia Licakova, Niklas Schmidinger, Lukas Hauzenberger, Sebastian Böck, Sepp Hochreiter

10. Probing SAM Perturbations Through Statistical Replay

通过统计回放探测SAM的扰动

AI 总结:本研究针对CIFAR-10的ResNet-18实验,引入统计回放诊断方法探测SAM的扰动,发现纯回放无法复现SAM的验证行为,混合回放可接近其性能但无法复现训练动态,相关结果削弱了对SAM的简单解释。

链接:https://arxiv.org/abs/2611.19480

机构:TU Dortmund(多特蒙德大学); Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所); Institute for Artificial Intelligence in Medicine(医学人工智能研究所)

作者:Ting Han, Jens Kleesiek, Michael Kamp

11. Multi-Branch Transformer

多分支Transformer

AI 总结:本研究提出多分支Transformer(MBT),通过分支化设计结合Joint-KV技术,在匹配计算预算下优于标准Transformer,可降低KV缓存存储并提升解码吞吐量,为语言模型扩展提供新路径。

链接:https://arxiv.org/abs/2611.19800

机构:University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校); Rice University(莱斯大学); University of Michigan(密歇根大学); Cornell University(康奈尔大学)

作者:Gaotang Li, Lingjie Chen, Chunyuan Deng, Zhiwei Xu, Hongzheng Chen, Christopher De Sa, Jingrui He, Yingheng Wang, Hanghang Tong

12. CECAR: Cache & Expert Co-Aware Routing Accelerates On-Device Inference of MoE LLMs

CECAR:缓存与专家协同感知路由加速MoE大语言模型的设备端推理

AI 总结:针对设备端MoE大模型推理的内存限制问题,提出CECAR系统,通过ML缓存策略预测专家重用距离并协同路由,在16GB显存GPU上实现4.5倍加速,解码速度超全模型驻留基线。

链接:https://arxiv.org/abs/2611.20119

机构:KAIST(韩国科学技术院); Agency for Defense Development(韩国国防科学研究所); Yonsei University(延世大学)

作者:Byeongju Kim, Hoonki Lee, Byungjun Kim, Inyul Ra, Yongjin Kim, Yongseong Lee, Sangyeob Kim

13. LENS: Replacing LayerNorm and Softmax in Transformers with Learnable Normalization States

LENS:用可学习归一化状态替换Transformer中的LayerNorm和Softmax

AI 总结:本研究提出LENS框架,将Transformer的LayerNorm和Softmax转化为硬件友好的可学习归一化状态,在ViT和Pythia模型等任务中匹配或接近基线性能,为资源受限加速器的Transformer架构探索提供基础。

链接:https://arxiv.org/abs/2611.20331

机构:Ruhr-University Bochum(鲁尔大学波鸿分校)

作者:Yuhao Liu, Salim Ullah, Akash Kumar

14. Halting in Recurrent Sequence Models

循环序列模型中的停止机制

AI 总结:本研究探究循环序列模型的EOS停止机制,发现tanh RNN通过线性子空间编码剩余复制次数,线性SSM依赖二维旋转平面的相位对齐决定停止时间。

链接:https://arxiv.org/abs/2611.20377

机构:Salk Institute for Biological Studies(索尔克生物研究所)

作者:Simon Dräger

15. Attention Sinks as Spectral Spikes: A Mechanism Analysis of Gated Attention

作为频谱尖峰的注意力汇:门控注意力的机制分析

AI 总结:本研究将注意力汇建模为token空间协方差的低秩模式,揭示SDPA后门控可衰减前向频谱能量、削弱反向梯度集中,实验验证其能抑制注意力汇相关现象的共同出现。

链接:https://arxiv.org/abs/2611.20403

机构:KAIST(韩国科学技术院)

作者:Seojin Kim, Yehjin Shin, Noseong Park

16. Reasoning Again with a Quarter of the Experts: Retry First, Then Train

用四分之一的专家再次推理:先重试,再训练

AI 总结:该研究针对剪枝后1220亿参数混合专家模型在LiveCodeBench上的推理循环问题,提出方法B,通过添加秩8训练修正的适配器,在预注册对比中解决问题数较对照组提升9.2个百分点。

链接:https://arxiv.org/abs/2611.20419

作者:Anik Jha

17. TrainExplorer: Autonomous LLM Post-Training via Plan-and-Decouple Exploration

TrainExplorer:基于规划与解耦探索的自主大语言模型后训练框架

AI 总结:本文提出自主后训练多智能体框架TrainExplorer,通过策略规划与执行解耦解决现有LLM后训练的策略锁定与执行耦合问题,在PostTrainBench上的加权综合得分优于对比方法。

链接:https://arxiv.org/abs/2611.20430

机构:Beijing University of Posts and Telecommunications(北京邮电大学); Alibaba Group(阿里巴巴集团); Minzu University of China(中央民族大学); Beijing Institute of Technology(北京理工大学)

作者:Xuannan Liu, Tian Lan, Zekun Li, Xing Cui, Zhengfeng Yu, Feihu Jiang, Qianghuai Jia, Longyue Wang, Zhao Xu, Weihua Luo, Peipei Li, Ran He

18. Model Immunization Beyond Condition Numbers: The Importance of Plateau Regions

超越条件数的模型免疫:高原区域的重要性

AI 总结:该研究针对大语言模型有害微调的安全对齐问题,提出结合高原区域与曲率的高效模型免疫算法,在三类场景中实现鲁棒防御且维持模型实用性。

链接:https://arxiv.org/abs/2611.20472

机构:Monash University(莫纳什大学)

作者:Quoc Nguyen, Trung Le, Dinh Phung, Mehrtash Harandi

19. ParGLU: Partial Gating Improves Language Modeling in MoE Transformers

ParGLU:部分门控提升MoE Transformer中的语言建模性能

AI 总结:该研究提出ParGLU部分门控FFN,结合SwiGLU与ReLU²,在75M、152M MoE语言模型上较SwiGLU降低验证NLL,证明部分门控可优化MoE Transformer的语言建模性能。

链接:https://arxiv.org/abs/2611.20663

作者:Yuting Ge

20. UNITE: Consolidating Embodied VLM Specialists via Shared-Anchor One-Bit Factorization

UNITE:通过共享锚点1比特分解整合具身视觉语言专家模型

AI 总结:UNITE是通过共享锚点1比特分解整合具身视觉语言专家模型的框架,存储紧凑,在多数基准测试中性能优于静态合并方法和源专家模型,实现了具身能力的高效整合。

链接:https://arxiv.org/abs/2611.20767

机构:Sichuan University(四川大学); ACE Robotics(ACE机器人公司); Nanyang Technological University(南洋理工大学); Sun Yat-sen University(中山大学)

作者:Tao Tao, Anke Tang, Enneng Yang, Zhi Hou, Xiaogang Wang, Dacheng Tao

21. Searching for Autoregressive Neural Architectures from Fundamental Operations

从基础操作中搜索自回归神经架构

AI 总结:本工作扩展 einspace 搜索空间得到 einspaceAR,该空间可从基础操作构建自回归序列模型,无强归纳偏置,实验表明其能找到有能力的序列模型,可作为相关集成的蓝图。

链接:https://arxiv.org/abs/2611.21111

机构:University of Edinburgh(爱丁堡大学); University of Glasgow(格拉斯哥大学)

作者:Thomas Woehrle, Linus Ericsson, Henry Gouk, Elliot J. Crowley

22. Specificity-Guided Knowledge Diversion for Decomposable Generative Models

面向可分解生成模型的特异性引导知识转移

AI 总结:提出SGKDiv方法,构建知识单元并设计条件路由与正则化,提升生成模型分布内生成质量与下游适配性能。

链接:https://arxiv.org/abs/2611.21352

机构:School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院)

作者:Yucheng Xie, Fu Feng, Jing Wang, Xin Geng, Yong Rui

23. Just sort it! A note on the LP behind rank-one anti-loop edits

直接排序!关于秩一反循环编辑背后线性规划的注记

AI 总结:本文探究权重空间编程中秩一反循环编辑的线性规划是否可省略,用排序操作替代后,在 Qwen3.5-0.8B 上取得与线性规划相当的非劣效性能。

链接:https://arxiv.org/abs/2611.21432

机构:University of Padova(帕多瓦大学)

作者:Matteo Fischetti

24. Differentiable Exact Learning

可微精确学习

AI 总结:该研究提出可微精确学习框架与DFST模型,结合状态跟踪控制器、无界外部环境及PTO,实现极端长度泛化,可精确执行算术与通用模拟任务。

链接:https://arxiv.org/abs/2611.21486

机构:EPFL(洛桑联邦理工学院)

作者:Hristo Papazov, Francesco D'Angelo, Nicolas Flammarion

25. Latent Lattice Language Models

隐格语言模型

AI 总结:该研究提出隐格语言模型,通过每层持续的隐式计算状态增强语言模型,在200亿token训练的模型上显著降低困惑度,可与现有架构结合并优于更大规模的基线模型。

链接: https://arxiv.org/abs/2611.21608

机构:MIT CSAIL(麻省理工学院计算机科学与人工智能实验室); Adobe(奥多比公司)

作者:Shivam Duggal, Zongze Wu, William T. Freeman, Antonio Torralba, Richard Zhang, Eli Shechtman

2. 表示学习、自监督与对比学习 | 8 篇

26. Setting Optimal Reserve Prices using Fine-Tuned Language Models

使用微调后的语言模型设置最优保留价格

AI 总结:该研究提出用微调后的语言模型,基于商品列表描述和历史出价设置在线拍卖最优保留价格,在6.58万场二手车拍卖中使卖家收益提升14.6%,为异质产品市场的运营决策提供了新方法。

链接:https://arxiv.org/abs/2611.18785

机构:Ivey Business School, Western University(西安大略大学毅伟商学院)

作者:Joshua Foster, Fredrik Odegaard

27. Recovered or Memorized? Investigating Dynamical Consistency and Faithfulness in World Model Latents

恢复还是记忆?研究世界模型隐空间的动力学一致性与忠实性

AI 总结:本研究提出ARC方法评估世界模型隐空间的动力学一致性,将其应用于TD-MPC2模型,发现k=10时ARC充分性最一致,相对误差仍较大,未来可针对DreamerV3开展相关研究。

链接:https://arxiv.org/abs/2611.18807

机构:Southern Alberta Institute of Technology(南阿尔伯塔理工学院); Carleton University(卡尔顿大学); University of California, Berkeley(加州大学伯克利分校); Algoverse AI Research(Algoverse AI研究机构)

作者:Jerome Francisco, Kyle Deng, George Flint, Kevin Zhu

28. SLICES: A Benchmark and Evaluation Framework for Self-Supervised Learning on Sparse ICU Time Series

SLICES:针对稀疏ICU时间序列的自监督学习基准与评估框架

AI 总结:本文提出SLICES基准与评估框架,固定共享临床设置,对比MAE等SSL方法在稀疏ICU时间序列上的表现,发现MAE在多数任务中领先,同时明确了未来泛化测试的扩展方向。

链接:https://arxiv.org/abs/2611.18868

机构:Massachusetts Institute of Technology(麻省理工学院); University of Geneva(日内瓦大学); Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心); 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); Munich Data Science Institute(慕尼黑数据科学研究所)

作者:Hannes Ill, Dimitrios Proios, Leo Anthony Celi, Peter J. Schüffler

29. HeteroWear: Sensor-Aware Self-Supervised Learning for Heterogeneous Wearable Activity Recognition

HeteroWear:面向异构可穿戴设备活动识别的传感器感知自监督学习

AI 总结:本文提出HeteroWear传感器感知自监督框架,在8个可穿戴数据集上预训练,通过分离传感器内与跨传感器建模等技术,在异构可穿戴活动识别任务中显著提升了宏F1与鲁棒性。

链接:https://arxiv.org/abs/2611.19027

作者:Yasaman Mohammadpour, Pouya Shaeri

30. ReCALM: A Residual-enhanced Crowdsourced Analytic Learning Mechanism for Distributed Continual Service Construction

ReCALM:面向分布式持续服务构建的残差增强众包解析学习机制

AI 总结:针对众包AI服务持续更新的灾难性遗忘与欠拟合问题,提出带闭式解的无梯度残差块及交叉递归策略的ReCALM,在异构不变性和深度表示上表现优异,准确率提升8.85%-9.83%且计算成本降低超94%。

链接:https://arxiv.org/abs/2611.19276

机构:Peking University(北京大学); Central South University(中南大学); University of Pennsylvania(宾夕法尼亚大学); South China University of Technology(华南理工大学); University of Maryland, Baltimore County(马里兰大学巴尔的摩郡分校)

作者:Kejia Fan, Yajiang Huang, Jianheng Tang, Jinfeng Xu, Huiping Zhuang, Anfeng Liu, Houbing Herbert Song, Yunhuai Liu

31. $β$-number and Its Applications to Data Science

β-数及其在数据科学中的应用

AI 总结:本文提出新型度量β-数,将其作为PCA的推广,提出对应算法并通过实验验证,展示其在降维与分类任务中的应用潜力。

链接:https://arxiv.org/abs/2611.19379

机构:School of Mathematics, Nanjing University(南京大学数学学院)

作者:Pengxu Wen, Ziwei Nie, Liwen Zou, Ying Cao, Xiaoping Yang

32. Open-fMIND: A Large-Scale Open-Access fMRI Corpus for Pretraining Brain Foundation Models

Open-fMIND:用于预训练大脑基础模型的大规模开放获取fMRI语料库

AI 总结:Open-fMIND是首个大规模开放获取的预处理fMRI语料库,用于预训练大脑基础模型,其预训练效果可媲美UK Biobank。

链接:https://arxiv.org/abs/2611.21215

机构:Université Paris-Saclay(巴黎萨克雷大学); Inria(法国国家信息与自动化研究所); CEA(法国原子能和替代能源委员会)

作者:Carlo Alberto Barbano, Giovanni Marraffini, Demian Wassermann

33. Learning What Pairs Miss for Higher-Order Multimodal Alignment

学习高阶多模态对齐中缺失的配对

AI 总结:针对高阶多模态对比学习中高阶项梯度不足的问题,提出CHORD方法,在M3-Mix等数据集上显著提升了需多模态处理样本的准确率,还可提升其他检索器性能。

链接:https://arxiv.org/abs/2611.21372

机构:EBioMed JLU(吉林大学EBioMed); USTB(北京科技大学); PolyU(香港理工大学); MBZUAI(穆罕默德本扎耶德人工智能大学)

作者:Kunyu Zhang, Shenghui Feng, Xiangjie Shi, Zeqing Wang, Yingxu Wang

3. 强化学习与序列决策 | 29 篇

34. Skill-Latent Rewards: LLM-Guided Reward Formulation for Hierarchical Reinforcement Learning

技能潜态奖励:用于分层强化学习的大语言模型引导奖励公式化

AI 总结:该研究针对长 horizon 强化学习的稀疏反馈挑战,提出 Skill-LR 框架,通过视觉-语言模型识别子目标、大语言模型生成潜态奖励,在 MiniGrid 和 BabyAI 基准上收敛优于现有方法。

链接:https://arxiv.org/abs/2611.18597

机构:University of Kentucky(肯塔基大学)

作者:Maryam Shoaeinaeini, Brent Harrison

35. Minari: Infrastructure for Collaborative Reinforcement Learning Datasets

Minari:用于协作强化学习数据集的基础设施

AI 总结:本研究提出开源Python库Minari,解决离线RL数据集共享难题,其遵循Gymnasium API,支持多库原生加载,托管338个可再生数据集,还报告了六种离线RL算法的基准分数。

链接:https://arxiv.org/abs/2611.18644

机构:Farama Foundation(法拉马基金会); Mila(米拉研究所); INRIA(法国国家信息与自动化研究所)

作者:Omar G. Younis, Rodrigo Perez-Vicente, John U. Balis, Alex Davey, Will Dudley, Jordan K. Terry

36. RSIMed: Scaling Medical Foundation Models beyond Limited Clinical Data via Retrieval-Grounded Self-Evolution

RSIMed:基于检索的自进化突破有限临床数据限制的医疗基础模型

AI 总结:该研究提出RSIMed自进化医疗模型,通过任务提议器与诊断求解器协同进化,在MIMIC-IV罕见疾病诊断上,RSIMed-27B准确率达0.516,优于GPT-5.6且推理成本更低。

链接:https://arxiv.org/abs/2611.18646

机构:Massachusetts Institute of Technology(麻省理工学院); Microsoft Research(微软研究院); Johns Hopkins University(约翰斯·霍普金斯大学)

作者:Wei Dai, Qianchu Liu, Guanghui Qin, Xing Han, Tristan Naumann, Sheng Zhang, Paul Pu Liang

37. ECOD: Experience-Calibrated On-Policy Distillation for Multi-Turn Agents

ECOD:用于多轮智能体的经验校准在线策略蒸馏

AI 总结: 针对长 horizon 语言智能体的强化学习奖励问题,提出 ECOD 方法,在 ALFWorld 和 WebShop 上使 OPD 等蒸馏方法的任务成功率显著提升,验证了经验校准监督分配的有效性。

链接:https://arxiv.org/abs/2611.18656

机构:East China Normal University(华东师范大学); Shanghai Innovation Institute(上海创新研究院); Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)

作者:Jie Jin, Shengqin Wang, Yan Gao, Xin Tan, Yuan Xie

38. Contextual Non-Convex Bandit Optimization with Two-Point Feedback

带两点反馈的上下文非凸多臂老虎机优化

AI 总结:该研究针对带两点反馈的上下文非凸多臂老虎机问题,采用分层离散化技术改进遗憾率,部分场景可恢复全信息率,还提出了计算复杂度为时间范围对数级的Lipschitz策略算法。

链接:https://arxiv.org/abs/2611.18965

机构:Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK(格勒诺布尔大学、法国国家信息与自动化研究所、法国国家科学研究中心、格勒诺布尔理工学院、LJK实验室); Inria, D.I. École Normale Supérieure, CNRS, PSL Research University(法国国家信息与自动化研究所、巴黎高等师范学院信息学系、法国国家科学研究中心、PSL大学)

作者:Khaled Eldowa, Pierre Gaillard

39. LogT: Logically Think with Images for Visual Search

LogT:基于图像的逻辑推理用于视觉搜索

AI 总结:本研究提出LogT全自动SFT数据引擎,强化逻辑链推理,微调Qwen2.5-VL-7B等模型后,在视觉搜索任务上性能优于现有SFT+RL方法,且算力消耗大幅降低。

链接:https://arxiv.org/abs/2611.19200

机构:Meta Superintelligence Labs (MSL)(元超级智能实验室(MSL)); University of Maryland(马里兰大学)

作者:Yanjun Fu, Quanzeng You, Jiadong Guo, Yujie Lu, Sai Charitha Akula, Haiping Wu, Miao Liu, Sanghamitra Dutta, Lu Yuan

40. Gradient-Based Co-Design of Systems and Reinforcement Learning Policies with Differentiable Simulators

基于梯度的系统与强化学习策略协同设计:采用可微分模拟器

AI 总结:该研究提出基于梯度的协同设计方法,结合可微分模拟器,在高维设计空间的网络系统基准上,性能优于贝叶斯优化与进化策略。

链接:https://arxiv.org/abs/2611.19329

机构:Norwegian University of Science and Technology (NTNU)(挪威科技大学); Tokyo University of Agriculture and Technology(东京农工大学); University College London(伦敦大学学院)

作者:Akhil S. Anand, Xun Shen, Marc Peter Deisenroth, Sebastien Gros

41. Bellman Residual Bracketing: Resolving the Sample Complexity of Discounted and Average-Reward RL

Bellman残差 bracketing:解决折扣奖励与平均奖励强化学习的样本复杂度

AI 总结:本研究针对带生成模型的强化学习,提出Bellman残差 bracketing技术,明确了折扣与平均奖励RL的极小极大样本复杂度,给出了对应插件方法的样本复杂度上界。

链接:https://arxiv.org/abs/2611.19566

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

作者:Matthew Zurek, Yudong Chen

42. Multi-Objective Causal Bandits: Minimal Intervention Space and Policy-Level Learning

多目标因果老虎机:最小干预空间与策略级学习

AI 总结:该研究针对多目标因果老虎机问题,提出了最小干预集的图刻画方法,设计了在线UCB式算法,解决了随机策略支配下的帕累托最优问题,还开发了带约束的在线算法。

链接:https://arxiv.org/abs/2611.19634

机构:Purdue University(普渡大学); Johns Hopkins University(约翰斯·霍普金斯大学)

作者:Muhammad Qasim Elahi, Mahsa Ghasemi, Murat Kocaoglu

43. RIFT: Reward Improvement Field Transfer for Cross-Domain Offline RL

RIFT:用于跨域离线强化学习的奖励改进场迁移

AI 总结:针对跨域离线强化学习中动态差异导致的源数据直接迁移不可靠问题,提出RIFT方法,通过学习源数据低高奖励转移差异扩充目标数据集,在密集奖励运动任务上性能优于基线。

链接:https://arxiv.org/abs/2611.19681

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

作者:Jinhee Won, Mardavij Roozbehani, Munther Dahleh

44. Where Should LLM Agents Adapt at Test Time? In Context, in Weights, or Both

大语言模型智能体应在测试时何处进行适配?在上下文、权重还是两者?

AI 总结:该研究对比ICL、GRPO、SDPO等适配机制,发现ICL独立提升平均成功率至49.4%,结合GRPO达51.6%,表明可验证奖励强化学习可优化智能体经验利用,推动上下文管理与权重更新的联合研究。

链接:https://arxiv.org/abs/2611.19700

机构:UC San Diego(加州大学圣地亚哥分校); Apple(苹果公司)

作者:Parsa Mirtaheri, Mohammadreza Armandpour, Keivan Alizadeh, Iman Mirzadeh, Parshin Shojaee, Aryo Lotfi, David Harrison, Mehrdad Farajtabar

45. Sample-Efficient Ensemble Reinforcement Learning at Scale

大规模场景下的样本高效集成强化学习

AI 总结:本研究针对大规模强化学习架构未被研究的问题,提出结合MeanQ与BBF的混合算法MeanQ-BBF,在Atari 100K基准上验证其可利用模型容量提升性能且计算高效,同时讨论了性能-成本权衡。

链接:https://arxiv.org/abs/2611.19733

作者:Yoav Feigenbaum, Dmitrii Krylov, Roy Fox

46. Exploration of Reinforcement Learning in Generative Recommendation Models

强化学习在生成式推荐模型中的探索

AI 总结:该研究针对生成式推荐中直接应用RL的不稳定问题,提出GBPO方法,通过梯度有界设计实现更稳定训练,同时保持竞争力推荐性能。

链接:https://arxiv.org/abs/2611.19742

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

作者:Pengfei Zheng, Wuchao Li, Shiyao Wang, Honghui Bao, Hongyi Xie, Jiaxin Deng, Xingmei Wang, Jinghao Zhang, Yufei Ye, Ruiming Tang, Guorui Zhou, Han Li, Kun Gai, Defu Lian

47. Foundation Pareto Flow Policy for Multi-Objective Reinforcement Learning

面向多目标强化学习的基础帕累托流策略

AI 总结:本研究提出FP2策略,通过三阶段训练实现离线多目标强化学习,在D4MORL基准上优于现有方法,可高效泛化到新连续控制任务。

链接:https://arxiv.org/abs/2611.19825

机构:Shenzhen Technology University(深圳技术大学); Shenzhen University(深圳大学); Tsinghua University(清华大学)

作者:Zhanjiang Yang, Lijun Sun, Yueming Li, Meng Li, Yijun Yang

48. Delayed Heuristic-Behavior-Target Coupling for Off-Policy Reinforcement Learning in Inventory Control

用于库存控制中离策略强化学习的延迟启发式-行为-目标耦合

AI 总结:针对库存控制中离策略强化学习的策略不可靠问题,提出HBPO框架,通过延迟启发式-行为-目标耦合机制,在DSIS及DSIS-RB上实现策略恢复与成本优化。

链接:https://arxiv.org/abs/2611.19917

机构:Xi’an Jiaotong University(西安交通大学)

作者:Enhui Li (1), Yuan Cheng (1), Peiting Han (1) ((1) Xi'an Jiaotong University)

49. AllocFlow: End-to-End Portfolio Trading Action Generation from Raw Market Data

AllocFlow:从原始市场数据生成端到端投资组合交易动作

AI 总结:本文提出AllocFlow端到端流匹配框架,通过跨资产流Transformer和两阶段训练方案,在加密货币永续合约上显著提升投资组合交易的年化净回报率与Calmar比率,且在 unseen 数据上表现优异。

链接:https://arxiv.org/abs/2611.19937

作者:Annan Wang, Yuchen Xie, Yu Cen, Leon Liangyu Chen, Qianyu Julie Zhu, Xin Li, Tianyi Wei, Weisi Lin

50. D'BEAST: Logged Bad Experiences as Explanation for Autonomous Driving Agents

D'BEAST:以记录的不良体验作为自动驾驶智能体的解释

AI 总结:该研究提出D'BEAST方法,以不良体验解释自动驾驶智能体决策,在CARLA闭环驾驶实验中证实不良体验携带决策相关信息,可精准解释智能体关键决策。

链接:https://arxiv.org/abs/2611.20019

机构:Universitas Muhammadiyah Yogyakarta(日惹穆罕默德大学); Nara Institute of Science and Technology(奈良科学技术研究所); King Fahd University of Petroleum and Minerals (KFUPM)(法赫德国王石油和矿产大学(KFUPM))

作者:Ahmad Alfan Alfian Irfan, Nur Ahmad Khatim, Mansur Arief

51. Infrastructure-Based Multi-Agent Reinforcement Learning with Attention for Highway Ramp Merging

基于基础设施的带注意力机制的多智能体强化学习高速公路匝道汇入方法

AI 总结:该研究针对高速公路匝道汇入的安全与通行问题,提出带注意力机制的Transformer型MARL基础设施控制模型,经SUMO仿真验证其在多场景下的性能优于基准模型。

链接:https://arxiv.org/abs/2611.20078

作者:Chenhao Tong, Steffen Müller

52. GNN-Based Deep Reinforcement Learning for Coastal Emergency Response under Extreme Water Levels

基于图神经网络的深度强化学习用于极端水位下的沿海应急响应

AI 总结:该研究构建威尼斯丽都异构图,训练PPO策略学习应急行动时机,其人口暴露量减少效果与基于规则的系统相近,为沿海应急响应提供了新方法。

链接:https://arxiv.org/abs/2611.20268

机构:CMCC Foundation – Euro-Mediterranean Center on Climate Change(CMCC基金会-欧洲地中海气候变化中心); Ca’ Foscari University of Venice(威尼斯大学(福斯卡里大学)); Griffith University(格里菲斯大学); Apter(阿普特公司); European Centre for Living Technology(欧洲生活技术中心)

作者:Marcello Sano, Samuele Casagrande, Davide Ferrario, Sebastiano Vascon, Silvia Torresan, Andrea Critto

53. Fuzzy Explainable Continual Hierarchical Reinforcement Learning for Robotic Navigation

面向机器人导航的模糊可解释持续分层强化学习

AI 总结:针对机器人导航中持续学习与可解释性的冲突,提出FECHRL方法,通过两阶段行为克隆策略与Takagi-Sugeno模糊推理系统的模糊评论者,实现稳定知识保留与可解释行为,在多场景导航任务中表现良好。

链接:https://arxiv.org/abs/2611.20427

作者:Peng Qin, Tao Zhao

54. Contrastive Activation-Guided Zeroth-Order Preference Optimisation for Memory-Efficient LLM Alignment

对比激活引导的零阶偏好优化:面向内存高效的大语言模型对齐

AI 总结:针对大语言模型对齐中内存开销高的问题,提出CA-ZODPO方法,通过构建低秩搜索子空间减少内存占用,在Qwen2.5-1.5B上实现了内存降低59%且性能与一阶DPO相当的效果。

链接:https://arxiv.org/abs/2611.20635

机构:Uppsala University(乌普萨拉大学)

作者:Weiyun Huang, Alessio Galatolo

55. SpeCal: Spectral Calibration for Unsupervised RLVR

SpeCal:用于无监督RLVR的光谱校准

AI 总结:针对无监督RLVR自生成监督可靠性差异问题,提出双层光谱校准框架SpeCal,利用隐藏状态光谱补充监督可靠性信息,在不重新定义未标记奖励的情况下校准奖励优势。

链接:https://arxiv.org/abs/2611.20691

机构:Zhejiang University(浙江大学); Ant Group(蚂蚁集团)

作者:Kai Tang, Xing Zheng, Haobo Wang, Guangcheng Zhu, Shenzhi Yang, Zhengqing Zang, Yingfan Ma, Cheng Peng, Bowen Song, Weiqiang Wang

56. Heteroscedastic Gaussian Process Q-learning for Sample Efficient Experimentation

用于样本高效实验的异方差高斯过程Q学习

AI 总结: 针对自动驾驶实验室样本不足的实验控制问题,提出异方差高斯过程Q学习(HGPQ),通过异方差GP设置目标噪声方差,在更少回合内于多个模拟基准上达到最优回报。

链接:https://arxiv.org/abs/2611.21249

机构:Imperial College London(伦敦帝国学院)

作者:Maximilian Bloor, Max Mowbray, Calvin Tsay, Ehecatl Antonio del Rio Chanona

57. Federated TD Learning in Heterogeneous Environments with Average Rewards: A Two-timescale Approach with Polyak-Ruppert Averaging

异构环境下基于平均奖励的联邦TD学习:一种带Polyak-Ruppert平均的双时间尺度方法

AI 总结:本文针对异构环境下平均奖励的联邦强化学习问题,提出带Polyak-Ruppert平均的双时间尺度方法,实现通用步长下的最优收敛速率与线性加速,成果可扩展至多类联邦强化学习场景。

链接:https://arxiv.org/abs/2611.21370

机构:Indian Institute of Science(印度科学学院); Purdue University(普渡大学)

作者:Ankur Naskar, Gugan Thoppe, Abbasali Koochakzadeh, Vijay Gupta

58. A Reinforcement Learning Method to Navigate SMEFT Operator Space

一种用于探索SMEFT算符空间的强化学习方法

AI 总结:本研究将SMEFT算符空间探索转化为强化学习的序列决策问题,采用轻量级Actor-Critic架构,在含132个可观测量的环境中验证,其策略能高效构建多算符理论,优于随机搜索,为新物理探索提供了系统框架。

链接:https://arxiv.org/abs/2611.21439

机构:Université de Montréal(蒙特利尔大学); Physique des Particules(粒子物理研究所)

作者:Jacky Kumar

59. Warm Starting Neural Dynamics Models From Few Jacobian Samples

基于少量雅可比样本的神经动力学模型热启动

AI 总结:提出TDec-Init算法,利用少量转移雅可比样本热启动神经动力学模型,在低数据基准环境中,该方法优于随机初始化和值训练,与Sobolev训练相当或更优,且训练步骤更少。

链接:https://arxiv.org/abs/2611.21465

机构:KU Leuven(鲁汶大学); NUMA(NUMA机构)

作者:Maxime Rochkoulets, Joppe De Jonghe, Mariya Ishteva

60. Algorithm Distillation for Safe In-Context Reinforcement Learning

用于安全上下文强化学习的算法蒸馏

AI 总结:本研究针对安全上下文强化学习的算法蒸馏问题,提出分两阶段的预算感知教师蒸馏方法及测试时调整的A-Lag,在五个基准任务上降低了成本并改善了多数任务的回报。

链接:https://arxiv.org/abs/2611.21524

机构:University of Virginia(弗吉尼亚大学)

作者:Minjae Kwon, Amir Moeini, Shangtong Zhang, Lu Feng

61. Optimistic Verifiers Get Hacked: Reward Hacking Under an Exact Process Oracle

乐观验证器被黑客攻击:在精确过程预言机下的奖励黑客行为

AI 总结:本文研究在精确过程预言机下,乐观验证器易受奖励黑客攻击的问题,通过构建含124416个上下文的授权策略设置,发现四种表型,提出可预测表型的无模型审计方法,并发布相关测试平台与策略。

链接:https://arxiv.org/abs/2611.21538

机构:University College of Engineering, BIT Campus, Anna University(安娜大学 BIT 校区工程学院); Central University of Karnataka(卡纳塔克邦中央大学); National Institute of Technology Tiruchirappalli(蒂鲁吉拉帕利国家理工学院); Jawaharlal Nehru University(贾瓦哈拉尔·尼赫鲁大学)

作者:Arunkumar V, Manoranjan Gandhudi, Gangadharan G. R., Arun Prakash, S. Senthilkumar

62. Mitigating Catastrophic Forgetting with Physics-Indexed Specialist Memory: the Evolutionary Neuroplastic Agent

基于物理索引专家记忆缓解灾难性遗忘:进化神经可塑性智能体

AI 总结:该研究提出进化神经可塑性智能体(ENA),结合环境检测与贝叶斯策略复用,在非平稳CartPole、HalfCheetah环境中缓解持续强化学习的灾难性遗忘,完整架构在CartPole平均成功率达83.2%。

链接:https://arxiv.org/abs/2611.21598

作者:Blas Eugenio Vicco Zarate, Miguel Hernán Vicco

4. 生成模型与概率建模 | 13 篇

63. Nahual: A Sequence Model for Language and Atoms

Nahual:一种用于语言与原子的序列模型

AI 总结:本研究提出Nahual,一种仅解码器的自回归扩散模型,可处理文本与三维分子序列,在12项三维化学任务上训练后,其表现优于专门模型,证明了通用解码器模型用于多模态化学生成的可行性。

链接:https://arxiv.org/abs/2611.19072

机构:University of Toronto(多伦多大学); Vector Institute for Artificial Intelligence(矢量人工智能研究所); NVIDIA(英伟达); Sungkyunkwan University(成均馆大学); Université de Montréal(蒙特利尔大学); Mila – Québec AI Institute(米拉魁北克人工智能研究所); University of Zagreb(萨格勒布大学); Canadian Institute for Advanced Research (CIFAR)(加拿大高级研究院); Acceleration Consortium(加速联盟)

作者:Austin H. Cheng, Marcel Müller, Andreas Burger, Yeonghun Kang, Tsz Wai Ko, Marta Skreta, Luka Mucko, Ella Miray Rajaonson, Cher Tian Ser, Jérôme F. Gonthier, Alex Zook, Varinia Bernales, Alán Aspuru-Guzik

64. Empowering Masked Diffusion Models to Self-Correct with Leave-One-Out Transformers

借助留一法Transformer赋能掩码扩散模型实现自校正

AI 总结:本文提出留一法Transformer(LOOT)改进空心Transformer,解决掩码扩散模型无法修正令牌、训练信号稀疏的局限,在LM1B、OpenWebText数据集上验证了其性能优势。

链接:https://arxiv.org/abs/2611.19127

机构:Cornell University(康奈尔大学)

作者:Sofian Zalouk, Vincent Counathe, Paul Jünger, Daniel Cao, Daniel Zlotnick, Kilian Q. Weinberger, Christopher De Sa

65. Test-Time Constraint-Aware Diffusion Predictive Control

测试时约束感知扩散预测控制

AI 总结:针对预训练扩散预测控制器无法适配部署时新增安全约束的问题,提出无需重训的TCA-DPC算法,通过指数倾斜结合在线调整的倾斜强度实现分布适配,用MALA算法完成近似采样。

链接:https://arxiv.org/abs/2611.19380

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

作者:Braghadeesh Lakshminarayanan, Ojas Phadake, Qi Chen, Dominik Baumann

66. Explicit Regularization for Flow Matching

流匹配的显式正则化

AI 总结:该研究针对流匹配的不适定问题,提出对速度的k阶导数施加惩罚项的显式正则化方法,经实验验证该方法可使流匹配问题适定,且生成的流泛化性能良好。

链接:https://arxiv.org/abs/2611.19587

机构:Emory University(埃默里大学); Ben-Gurion University of the Negev(内盖夫本-古里安大学)

作者:Lars Ruthotto, Eran Treister

67. Score-Based Stochastic Closure Modeling via Offline Indirect Learning and Online Data Assimilation

基于离线间接学习与在线数据同化的基于分数的随机闭合建模

AI 总结:本研究提出基于分数扩散模型的随机闭合建模框架,通过离线间接学习与在线数据同化,解决复杂动力系统无真实闭合数据时的建模问题,提升了系统状态预测与泛化能力。

链接:https://arxiv.org/abs/2611.19676

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

作者:Xinghao Dong, Huchen Yang, Jin-Long Wu

68. The structure of variational autoencoder latent spaces and its consequences for representation and optimization

变分自编码器潜在空间的结构及其对表示与优化的影响

AI 总结:该研究揭示变分自编码器(VAE)潜在空间的结构特征,结合Flory-Huggins理论分析其表示组织机制,对比相关模型探讨结构变化,为数据解释等应用提供理论依据。

链接:https://arxiv.org/abs/2611.19972

作者:Sergei V. Kalinin

69. Residual-Tail-Informed Flow Matching for Time Series Anomaly Detection

面向时间序列异常检测的残差尾部感知流匹配

AI 总结:针对时间序列异常检测中流匹配过度惩罚罕见正常窗口的问题,提出残差尾部感知流匹配(RT-FM)框架,实验显示其可提升罕见正常覆盖并降低误报,改善整体检测性能。

链接:https://arxiv.org/abs/2611.20334

机构:Missouri University of Science and Technology(密苏里科技大学); University of Kentucky(肯塔基大学)

作者:Shyam Sundar Saravanan, Tie Luo, Sanjay Madria

70. Flow Matching for Sampled-Data Control of Angular Distributions

用于角分布采样数据控制的流匹配

AI 总结:该研究针对振荡器网络的角分布控制问题,提出流匹配与MeanFlow方法,通过局部速度样本学习角速率,实验表明MeanFlow在小批量配对下单步误差更小。

链接:https://arxiv.org/abs/2611.20360

机构:University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校); École polytechnique fédérale de Lausanne (EPFL)(洛桑联邦理工学院); NCCR Automation(瑞士国家自动化研究中心); Renmin University of China(中国人民大学)

作者:Xin Mao, Anqi Dong, Hongteng Xu, Kenan Zhang

71. Generative AI-Driven Parametric Design Optimization Framework for Vehicle Closure Systems

生成式AI驱动的车辆闭合系统参数化设计优化框架

AI 总结:本研究提出一种生成式AI驱动的车辆闭合系统参数化设计优化框架,结合CAD与CAE分析,在汽车尾门上验证,其膝点设计较基线质量降7.1%、最大位移降29.4%,可实现兼容工业CAD与工程验证的多目标设计探索。

链接:https://arxiv.org/abs/2611.20451

机构:Korea Advanced Institute of Science and Technology(韩国科学技术院); Hyundai Motor Company(现代汽车公司); Narnia Labs(纳尼亚实验室)

作者:Dongeon Lee, Yurim Lee, Jiyong Kim, Sanghyeon Kim, Sanghyun Lee, Seungyeon Shin, Jeahong Kim, Namwoo Kang

72. Quantum Computing-Based Wasserstein Generative Adversarial Networks for Airfoil Parameterization

基于量子计算的Wasserstein生成对抗网络的翼型参数化方法

AI 总结:本研究针对翼型参数化问题,开发了基于量子计算的Wasserstein生成对抗网络(Q-WGAN),实验表明其性能优于经典WGAN,为翼型参数化提供了新的可行方案。

链接:https://arxiv.org/abs/2611.20602

机构:Missouri University of Science and Technology(密苏里科技大学)

作者:Abdur Rahman Ovy, Xiaosong Du

73. Conditional Diffusion Models for Amortized Bayesian System Identification

用于摊销贝叶斯系统辨识的条件扩散模型

AI 总结:该研究将隐马尔可夫模型的贝叶斯系统辨识转化为贝叶斯逆问题,提出基于Transformer的条件扩散模型,经一次训练后可快速适配多类推理任务,在长测量记录上性能优于对比方法。

链接:https://arxiv.org/abs/2611.20666

机构:Leibniz University Hannover(莱布尼茨汉诺威大学); Uppsala University(乌普萨拉大学); L3S Research Center(L3S研究中心)

作者:Mike Hänseroth, Niklas Wahlström, Thomas B. Schön, Thomas Seel, Jan-Hendrik Ewering

74. Markov-Equivalent Conditional Independence Graphs on Path Spaces

路径空间上的马尔可夫等价条件独立性图

AI 总结:本研究针对带潜在混杂的连续时间随机过程因果发现的方法权衡,引入W-分离准则,刻画W-马尔可夫等价类,为因果发现学习算法提供规范目标。

链接:https://arxiv.org/abs/2611.20877

机构:Technical University of Munich(慕尼黑工业大学); Helmholtz Munich(慕尼黑亥姆霍兹中心); LMU Munich(慕尼黑大学); MCML(慕尼黑数学与计算机器学习中心)

作者:Simon Kempf, Niki Kilbertus, Georg Manten

75. The Price of Not Planning: Parallel Sampling Depth Peaks at the Reconstruction Threshold

不规划的代价:并行采样深度在重构阈值处达到峰值

AI 总结:该研究在广播树模型中分析掩码扩散模型的规划解码器,证明无规划解码器在重构阈值以下需约min{n, (n/ε)^α}轮次,有规划时仅需log_b n +1轮次,规划在阈值附近且单元较小时效果最优。

链接:https://arxiv.org/abs/2611.21285

机构:Shenzhen Key Laboratory of Advanced Machine Learning and Applications(深圳市先进机器学习与应用重点实验室); School of Mathematical Sciences, Shenzhen University(深圳大学数学科学学院); National Center for Applied Mathematics Shenzhen (NCAMS)(深圳国家应用数学中心)

作者:Chuling Wen, Weijie Liang, Jian Lu

5. 优化、泛化与理论分析 | 13 篇

76. Can a Vision-Language Model Tune Clustering In Context?

视觉语言模型能否在上下文环境中调整聚类?

AI 总结:本研究用Qwen3.5-27B开展实验,验证视觉语言模型可通过视觉评估聚类结果,自主调整k-means等显式聚类算法,其生成的聚类配置效果接近网格搜索等方法但迭代次数更少。

链接:https://arxiv.org/abs/2611.18768

机构:Riverside STEM Academy(里弗赛德 STEM 学院); University of California, Riverside(加州大学河滨分校)

作者:Javith Ranatunga, Paimon Goulart, Evangelos E. Papalexakis

77. What to Practice Next? Latent Profile-Guided Task Selection for Skill-Evolving LLM Agents

下一步该练习什么?面向技能演进的大语言模型智能体的潜在轮廓引导任务选择

AI 总结:针对现有LLM智能体任务选择方法未解决非平稳技能需求的问题,提出SPG-Select框架,其衍生的SPG-Select-R策略在ALFWorld和WebShop基准上较均匀采样提升了终端成功率。

链接:https://arxiv.org/abs/2611.18818

机构:City University of Hong Kong(香港城市大学); Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所); The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))

作者:Qijin Zhang, Hanzhen Wang, Yan Huang, Zhongxiang Dai, Shuang Qiu

78. Grokking Can Be Steered: Selecting Desirable Solutions By Choice Of Learning Rule

可引导的泛化现象(Grokking):通过选择学习规则筛选理想解

AI 总结:该研究发现学习规则可控制泛化现象中神经网络回路的规模,不同学习规则会形成不同规模的回路,且回路规模会影响模型的鲁棒性、可压缩性及迁移速度。

链接:https://arxiv.org/abs/2611.19477

机构:Centre for Artificial Intelligence, ZHAW(苏黎世应用科技大学人工智能中心); Institute of Neuroinformatics(神经信息学研究所); ETH Zürich(苏黎世联邦理工学院); University of Zürich(苏黎世大学); ETH AI Center(苏黎世联邦理工学院人工智能中心); ECLT(ECLT机构)

作者:Pascal Sager, Benjamin Grewe, Pau Vilimelis Aceituno, Thilo Stadelmann

79. Risk-Averse Decision-Focused Learning: Minimizing CVaR of Regret

风险厌恶型决策导向学习:最小化遗憾的条件风险价值(CVaR)

AI 总结:该研究提出一种风险厌恶型决策导向学习框架,通过推导遗憾的CVaR平滑替代函数,将现有DFL方法转为风险敏感变体,在多类组合优化问题上显著降低了尾部遗憾。

链接:https://arxiv.org/abs/2611.19575

机构:Loughborough University(拉夫堡大学); KU Leuven(鲁汶大学); Universidad de O’Higgins(奥伊金斯大学); Universidad de Murcia(穆尔西亚大学)

作者:Jayanta Mandi, Senne Berden, Victor Bucarey, Concepcion Dominguez, Tias Guns

80. Barron Approximation and locally optimal weight densities for shallow neural networks

浅层神经网络的Barron近似与局部最优权重密度

AI 总结:本文针对有限规模浅层神经网络的粒子近似定量边界问题,提出改进平均场损失,证明其凸性与均匀分布性质以得到Barron型近似结果,且其粒子近似可生成带dropout正则化的梯度下降方法。

链接:https://arxiv.org/abs/2611.19798

机构:School of Mathematical and Statistical Sciences, University of Texas Rio Grande Valley(德克萨斯大学里奥格兰德河谷分校数学与统计科学学院)

作者:G. Welper

81. Conditional Optimal Transport and Triangular Maps for Imitation Learning

用于模仿学习的条件最优传输与三角映射

AI 总结:该研究提出基于三角传输的模仿学习统一框架,设计OTP、FMP、SIP三种策略,在两个任务上性能与Diffusion Policy等相当,且网络更小、训练更短,适用于不同场景。

链接:https://arxiv.org/abs/2611.19815

机构:University of Washington(华盛顿大学)

作者:Mohammad Al-Jarrah, Yuhang Mei, Karen Leung, Bamdad Hosseini, Amirhossein Taghvaei

82. MOBO-CAPS: Multi-Objective Bayesian Optimization with Cardinality-Aware Pareto Selection

MOBO-CAPS:具有基数感知帕累托选择的多目标贝叶斯优化

AI 总结:该研究针对多目标贝叶斯优化的实际部署资源限制问题,提出MOBO-CAPS方法,设计REHVI和CHO-UCB两种基数感知获取策略,在九个基准测试中验证其性能优于标准MOBO后接事后子集选择的方法。

链接:https://arxiv.org/abs/2611.19999

机构:University of Warwick(华威大学); Databricks(Databricks公司)

作者:Hanyang Wang, Juergen Branke, Matthias Poloczek

83. Tight PAC-Bayes Generalisation Guarantees for Large Language Model Judges

大型语言模型评判器的紧PAC-Bayes泛化保证

AI 总结:该研究针对LLM评判器缺失形式化保证的问题,将PAC-Bayes框架应用于安全分类场景,提出LoRA-GT方法,在五个护栏模型和四个基准上验证了其紧性,为可扩展监督提供了实用路径。

链接:https://arxiv.org/abs/2611.20818

机构:University of Oxford(牛津大学); University of Toronto(多伦多大学); Vector Institute(矢量研究所); Vijil(维吉科技)

作者:Tom A. Lamb, Philip H. S. Torr, Tim G. J. Rudner

84. Anytime-Valid PAC-Bayes Certificates for Adaptive Test-Time Scaling

自适应测试时间缩放的任意时间有效PAC-Bayes证书

AI 总结:本文提出了适用于自适应测试时间缩放的时间一致PAC-Bayes证书,解决了自适应选择后标准误差棒无效的问题,通过实验验证了其在推理系统风险-代价报告中的有效性。

链接:https://arxiv.org/abs/2611.21241

机构:University of New South Wales(新南威尔士大学); The University of Hong Kong(香港大学)

作者:Xiaoyu Li, Jiangxuan Long

85. The Price of Choosing Examples: Context Overfitting in Adaptive In-Context Learning

选择示例的代价:自适应上下文学习中的上下文过拟合

AI 总结:该研究针对自适应上下文学习中因示例选择过程导致的上下文过拟合问题,提出上下文容量理论与PAC-贝叶斯检索规则,在Banking77数据集上验证了规则的有效性,明确了上下文质量与可证明性的关系。

链接:https://arxiv.org/abs/2611.21251

机构:University of New South Wales(新南威尔士大学); The University of Hong Kong(香港大学)

作者:Xiaoyu Li, Jiangxuan Long

86. In-Context Estimation and Prediction for Parametric ODEs

参数常微分方程的上下文估计与预测

AI 总结:本文研究参数ODE的上下文估计与预测,构建Transformer通过两阶段近似最大似然实现参数估计,结合ODE解映射神经逼近完成预测,单Transformer可同时执行两项任务,实验验证其可从长推理上下文受益。

链接:https://arxiv.org/abs/2611.21268

机构:University of Maryland(马里兰大学)

作者:Abdullah Ahmed, Yun Yang

87. Deep Learning for Physicists: From Linear Regression to Reasoning Models

面向物理学家的深度学习:从线性回归到推理模型

AI 总结:本讲义为物理学家背景的学习者设计,从基础机器学习到LLM,用物理直觉阐释深度学习核心内容,面向英制大三、大四学生及跨院系学习者。

链接:https://arxiv.org/abs/2611.21295

作者:Masanori Hanada

88. Optimal Autoregressive Chain-of-Thought Learning via Bagging

基于装袋法的最优自回归思维链学习

AI 总结:该研究提出基于装袋法的自回归思维链学习算法,在二元词集下达到与思维链长度无关的最优样本复杂度,有限词集下在对数词集大小因子内最优,且可将多数投票集成蒸馏为单个生成器。

链接:https://arxiv.org/abs/2611.21597

机构:Yale University(耶鲁大学)

作者:Awni Altabaa, John Lafferty, Omar Montasser

6. 高效学习、压缩与部署 | 3 篇

89. MeltKV: Memory-Aligned KV Cache Compression via Variable-Bit Packed Vector Quantization for Long-Context LLMs

MeltKV:面向长上下文大语言模型的内存对齐KV缓存可变比特打包向量量化方法

AI 总结:本研究提出MeltKV框架,通过内存对齐可变比特打包与头级码本共享优化KV缓存,在相当困惑度下较现有VQ方法降低48.1%内存占用与52.9%延迟,实现长上下文LLM的高效KV缓存压缩。

链接:https://arxiv.org/abs/2611.18652

机构:Kyung Hee University(庆熙大学); Yonsei University(延世大学)

作者:Jiyun Han, Seongjoon Cho, Seungkyu Choi

90. GaugeRoPE: RoPE-Compatible Executable Latent Attention

GaugeRoPE:兼容RoPE的可执行潜在注意力机制

AI 总结:本文提出GaugeRoPE,一种兼容RoPE的可执行潜在KV表示,无需训练即可实现5.85倍KV压缩,在Mistral-7B上保持接近全缓存的质量,解码吞吐量达未压缩基线的2.48倍。

链接:https://arxiv.org/abs/2611.20524

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

作者:Yuanhang Gao, Xiangrui Yang, Lingyuan Meng, Yuanfeng Chen, Dongsheng Li

91. MiSTiQ: MicroScaling Trellis Quantization for Extreme KV Cache Compression

MiSTiQ:用于极端KV缓存压缩的微缩放网格量化

AI 总结:提出MiSTiQ即插即用量化器,结合网格编码存储与微缩放格式,在Llama3、Qwen3等模型上实现KV缓存极端压缩,获更低困惑度、更高准确率及LongBench最高平均得分。

链接:https://arxiv.org/abs/2611.21216

机构:Arm AI Research (AAIR), Arm Ltd(Arm人工智能研究院(AAIR),安谋科技有限公司); Graphcore Research(Graphcore研究院)

作者:Ofir Gordon, Lior Dikstein, Paul Balanca, Idan Achituve, Douglas Orr, Hai Victor Habi

7. 联邦学习、隐私与安全 | 5 篇

92. FedFit: Federated Dynamic Sparse Training via Fisher Information scoring

FedFit:基于Fisher信息评分的联邦动态稀疏训练

AI 总结:FedFit是一种联邦动态稀疏训练框架,用基于Fisher信息矩阵的优化标准替代幅值启发式策略,缩小了稀疏与稠密模型的精度差距,在保持高通信效率的同时性能优于现有方法。

链接:https://arxiv.org/abs/2611.18643

机构:Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学); City University of Hong Kong(香港城市大学); McGill University(麦吉尔大学)

作者:Meng Bi, Hong Huang, Jinlong Song, Charles Wang, Chengming Hu, Xi Chen, Ting Yu, Xue Liu

93. Rethinking the Verification of Machine Unlearning

重新审视机器遗忘的验证

AI 总结:针对现有机器遗忘验证器仅基于模型输出推断遗忘的缺陷,提出ODR攻击可高成功率欺骗输出级验证器,进而提出灰盒验证器RUV,能以高准确率验证机器遗忘并有效抵御ODR攻击。

链接:https://arxiv.org/abs/2611.18658

作者:Lei Zhou, Youwen zhu, Rongke Liu

94. Communication-Efficient Distributionally Robust Federated Averaging with Multi-Source Data

面向多源数据的通信高效分布鲁棒联邦平均算法

AI 总结:针对联邦学习中两种部署风险近似未联合处理的问题,提出BiDRO-FedAvg算法,构建含客户端级Wasserstein歧义集的全局歧义集,经模拟验证其有效性。

链接:https://arxiv.org/abs/2611.20060

机构:Peking University(北京大学); University of Groningen(格罗宁根大学)

作者:Yingzhu Liu, Zhongkui Li, Pengcheng You, Ashish Cherukuri

95. Explainable Federated Learning via Global-Local Attribution Alignment

基于全局-局部归因对齐的可解释联邦学习

AI 总结:提出xFedAlign框架,通过全局-局部归因对齐解决联邦学习解释的局部忠实性与全局一致性问题,在多类型基准测试中提升解释性能且通信开销低。

链接:https://arxiv.org/abs/2611.20445

机构:Virginia Tech(弗吉尼亚理工大学); DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室)

作者:Dawood Wasif, Terrence J. Moore, Chang-Tien Lu, Jin-Hee Cho

96. STORMGUIDE-FL: Stochastic Remote Guidance for Efficient Mining of Federated Streaming Data

STORMGUIDE-FL:用于高效挖掘联邦流数据的随机远程引导

AI 总结:STORMGUIDE-FL是一种联邦优化与数据挖掘框架,通过服务器引导的采样策略与更新级漂移校正,缓解联邦流数据中的局部与全局概念漂移,提升资源受限异构场景下全局模型收敛的速度与鲁棒性。

链接:https://arxiv.org/abs/2611.20975

机构:Technical University of Applied Sciences Würzburg-Schweinfurt(维尔茨堡-施韦因富特应用技术大学)

作者:Manuel Röder, Frank-Michael Schleif

8. 鲁棒性、不确定性与可信学习 | 6 篇

97. Advancing the Calibration-Compute Frontier of LLM Classifiers via Asymmetric Duos

通过非对称双模型推进LLM分类器的校准-计算前沿

AI 总结:本研究提出非对称双模型(Asymmetric Duos)框架,通过logit空间融合强弱模型,在低计算成本下提升LLM分类器的校准性能,且可与现有校准技术结合,处于校准-计算帕累托前沿。

链接:https://arxiv.org/abs/2611.19020

机构:LMU Munich(慕尼黑大学); Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)

作者:Berke Akturk, Ali Can Sahin, Rasit Cem Solatay, Emanuel Sommer, Yawei Li, David Rügamer

98. Multiaccuracy as an Error Benchmark for Learning with Distribution Shift

多准确率作为分布偏移学习的误差基准

AI 总结:该研究提出偏移多准确率作为分布偏移学习的误差基准,构建了泛化不可知学习的TDS框架,建立其与恒等测试的联系,还指出其在无监督领域自适应中的应用价值。

链接:https://arxiv.org/abs/2611.19701

机构:The University of Texas at Austin(得克萨斯大学奥斯汀分校); Institute for Advanced Study(高等研究院)

作者:Konstantinos Stavropoulos

99. EPI-SST: Renewal-Structured State-Space Transformers for Epidemic Forecasting

EPI-SST:用于流行病预测的更新结构状态空间Transformer

AI 总结: 本研究提出EPI-SST概率预测器,结合更新模型与神经预测器优势,在四个流行病监测基准及2019-2020流感季的点预测、概率预测精度与校准度上均优于现有基线。

链接:https://arxiv.org/abs/2611.20352

机构:Emory University(埃默里大学)

作者:Yiyun Chen, Zewen Liu, Shengpu Tang, Max S. Y. Lau, Wei Jin

100. JointQ: Joint Scale-and-Integer Quantization for Large Language Models

JointQ:面向大语言模型的联合尺度与整数量化

AI 总结:本研究提出JointQ,将GPTQ的贪心量化过程扩展为联合优化尺度与整数,在低比特、大组等场景下提升大语言模型量化后的准确率与困惑度,可作为GPTQ的即插即用替代方案。

链接:https://arxiv.org/abs/2611.20384

机构:Fujitsu Limited(富士通株式会社)

作者:Keiji Kimura, Yuma Ichikawa

101. GPromptShield: Elevating Resilience in Graph Prompt Tuning against Adversarial Attacks

GPromptShield:提升图提示调优对抗对抗攻击的鲁棒性

AI 总结:本文针对图提示调优的对抗攻击问题,提出GPromptShield防御系统,从直接处理与间接放大两方面提升提示鲁棒性,经实验验证其有效性,为图提示学习提供新视角。

链接:https://arxiv.org/abs/2611.20621

机构:Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所); University of Chinese Academy of Sciences(中国科学院大学); Zhongguancun Laboratory(中关村实验室); Fliggy, Alibaba Group(阿里巴巴集团飞猪)

作者:Shuhan Song, Ping Li, Ming Dun, Maolei Huang, Huawei Cao, Xiaochun Ye

102. TRACK: Tool-Augmented Reasoning over Time Series for Fault Diagnosis in Power Management System

TRACK:面向电力管理系统故障诊断的工具增强型时间序列推理

AI 总结:该研究针对电力管理系统故障诊断难以扩展的问题,提出TRACK模型,结合时间序列编码器与小型语言模型生成物理驱动的诊断报告,在15类多负载基准测试中故障类别准确率超95%,泛化能力优于基线模型。

链接:https://arxiv.org/abs/2611.21178

机构:Lorenz Labs, Analog Devices Inc.(洛伦兹实验室,亚德诺半导体公司)

作者:Erkan Bayram, Debanjan Ghosh, Li Zhu, Sambarta Dasgupta

9. 图学习与结构化数据 | 7 篇

103. How Much Do Foundation Models Add to Gradient Boosting on Financial Event Sequences?

基础模型在金融事件序列上对梯度提升的提升作用有多大?

AI 总结:本文提出TBS模型,在多金融数据集上对比27种方法,发现结合梯度提升与预训练序列网络的TBS模型,在多数场景下较基线有显著AUC增益,且增益随标签和表格数据丰富而缩小。

链接:https://arxiv.org/abs/2611.18914

机构:WeCogno(维科诺)

作者:Carlos Eduardo Martins Relvas, Gustavo di Giovanni Bernardo

104. GraphPass: A Study of Graph Neural Networks for Compiler Pass Selection

GraphPass:用于编译器优化 passes 选择的图神经网络研究

AI 总结:本研究提出 GraphPass,用 GAT/GCN 编码器处理程序 CFG 以选择编译器优化 passes,在合成基准上分类准确率达92%,推理高效,性能优于手动启发式与 MLP。

链接:https://arxiv.org/abs/2611.19821

作者:Mohammed Saqlain

105. When Zero Is Competitive: A Descriptive Pilot of Transformer and Gate-Graph Surrogates on Random-Angle Quantum Circuits

当零值具有竞争力:Transformer与门控图代理在随机角度量子电路上的描述性试点研究

AI 总结:该研究针对随机角度量子电路,评估Transformer与门控图神经网络等模型,发现零值预测器在特定场景下表现优于部分模型,为相关量子电路预测提供描述性试点结果。

链接:https://arxiv.org/abs/2611.19985

机构:Aston University(阿斯顿大学)

作者:Mahesh Reddy Pagadala

106. Improving fine-grained expressivity of graph neural networks

提升图神经网络的细粒度表达能力

AI 总结:本论文针对图神经网络的细粒度表达能力问题,提出EGenNet、MASNet、FSW-GNN等架构,结合表示论与集合表示研究,深化了对神经网络保留输入结构的理解。

链接:https://arxiv.org/abs/2611.20020

机构:Technion(以色列理工学院)

作者:Yonatan Sverdlov

107. MT-RGCN-DTI: A Multi-Task Relational Graph Convolutional Network for Drug-Target Interaction Prediction

MT-RGCN-DTI:用于药物-靶点相互作用预测的多任务关系图卷积网络

AI 总结:本研究提出基于异构信息网络的多任务DTI预测模型MT-RGCN-DTI,利用RGCN优势构建网络,采用DistMult和ComplEx作为解码器,经多基准数据集实验验证其性能优于部分现有方法。

链接:https://arxiv.org/abs/2611.20109

机构:Shiv Nadar University Chennai; Institute for System Analysis and Computer Science “Antonio Ruberti”, National Research Council of Italy(意大利国家研究委员会系统分析与计算机科学研究所“安东尼奥·鲁贝蒂”)

作者:Dheeran Sankaran, R Yadunandan, Daniele Santoni, Nimisha Ghosh

108. LINK: Lightweight and Inductive Node-to-Node Propagation Rule Learning for Traffic Kriging

LINK:面向交通克里金法的轻量级归纳式节点到节点传播规则学习

AI 总结:提出LINK范式,通过显式学习节点到节点传播规则等设计,在交通克里金任务中提升重建精度与计算效率,且传播规则可跨区域迁移。

链接:https://arxiv.org/abs/2611.20521

机构:Beijing Normal-Hong Kong Baptist University(北京师范大学-香港浸会大学联合国际学院); Hong Kong Baptist University(香港浸会大学); The Hong Kong University of Science and Technology(香港科技大学); Chongqing University(重庆大学)

作者:You Shang, Yu-Kwan Ching, Weifeng Su, Guanyao Li, Ruiyuan Li, Gary Shueng-Han Chan

109. Enhancing Mixed Oil Length Prediction through Graph Representation Learning

基于图表示学习的混合油段长度预测增强方法

AI 总结:针对现有混合油长度预测方法忽略样本统计依赖的问题,提出SDI-GRL图表示学习模型,在混合油数据集上使RMSE和MAE均降低10%以上,性能优于现有最强方法。

链接:https://arxiv.org/abs/2611.20660

机构:East China Normal University(华东师范大学); Shanghai Jiao Tong University(上海交通大学); New York University(纽约大学); China University of Petroleum (East China)(中国石油大学(华东)); The Institute of Statistical Mathematics(统计数理研究所); The Graduate University for Advanced Studies, SOKENDAI(高级研究大学院大学(SOKENDAI))

作者:Xinyi Hong, Hai Shu, Zhaoyang Zhang, Lei Chen, Yanfeng Yang, Ziqi Chen

10. 迁移、元学习与持续学习 | 9 篇

110. Predictive maintenance in manufacturing: The operational value of continual machine learning

制造业中的预测性维护:持续机器学习的运营价值

AI 总结:该研究针对制造业预测性维护的“遗忘”挑战,结合持续机器学习与鲁棒优化,经博世数据实验验证,其较基线方法降本超40%,具运营价值。

链接:https://arxiv.org/abs/2611.18636

机构:Bosch Center for Artificial Intelligence (BCAI)(博世人工智能中心); Albstadt-Sigmaringen University(阿尔bstadt-锡格马林根大学); Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心); LMU Munich(慕尼黑大学)

作者:Pascal Janetzky, Michael Klar, Manuel Wenzel, Tobias Schlagenhauf, Stefan Feuerriegel

111. GRAFT: Cross-Backbone LoRA Reuse for Continual Language and Multimodal Learning

GRAFT:用于持续语言与多模态学习的跨骨干LoRA复用

AI 总结: 该研究针对持续学习中LoRA复用受限于同骨干模型的问题,提出跨骨干LoRA复用框架GRAFT,经实验验证其可在多数文本与多模态任务中提升性能,实现跨模型的能力复用。

链接:https://arxiv.org/abs/2611.18638

机构:Deakin University(迪肯大学); Australian Catholics University(澳大利亚天主教大学)

作者:Ha Pham Thien Dinh, Ming Liu, Jiesi Guo, Matteo Vergani, Kewen Liao

112. Neural Dual Bounds: Valid-by-Construction JGLP Warm-Starts for MAP and Constrained MAP

神经对偶界:用于MAP和约束MAP的构造有效JGLP热启动

AI 总结:提出神经对偶界框架,训练网络输出边消息热启动JGLP优化器,在MAP和约束MAP任务上大幅缩小对偶间隙,尤其在迭代初期和网格、分割族基准中效果显著。

链接:https://arxiv.org/abs/2611.19218

机构:The University of Texas at Dallas(德克萨斯大学达拉斯分校); New Jersey Institute of Technology(新泽西理工学院)

作者:Akshay Vyas, Shivvrat Arya, Brij Malhotra, Tahrima Rahman, Vibhav Gogate, Nicholas Ruozzi

113. Learning Graph-Conditioned Predictors in Weight Space

在权重空间中学习图条件预测器

AI 总结:提出SCOPE模型,将图结构作为上下文生成权重更新,在OGB节点分类等任务中验证其性能优于输入拼接方案,证明图结构兼具证据与预测器上下文的作用。

链接:https://arxiv.org/abs/2611.19250

机构:Australian National University(澳大利亚国立大学); CSIRO Technology(联邦科学与工业研究组织科技部门)

作者:Zhewei Chen, Hao Zhu, Ahad N. Zehmakan

114. SMELL: Sparsity-aware Memory Efficient Federated Fine-tuning for Long-context LLMs

SMELL:面向长上下文大语言模型的感知稀疏性且内存高效的联邦微调

AI 总结:针对长上下文大语言模型联邦微调的内存、异质性与通信挑战,提出含 LSFA、CASC、CPUR 机制的 SMELL 框架,在 OPT-350M、LLaMA2-7B 上大幅降低内存消耗并提升非IID 下微调性能。

链接:https://arxiv.org/abs/2611.19349

机构:School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院); Suzhou Institute for Advanced Research, University of Science and Technology of China(中国科学技术大学苏州高等研究院); The University of Hong Kong(香港大学)

作者:Yin Xu, Yongbo Yang, He Sun, Miao Sun, Mingjun Xiao

115. BadGCL: Towards Persistent Backdoor Attack on Graph Continual Learning Systems

BadGCL:面向图持续学习系统的持久后门攻击

AI 总结:本研究提出BadGCL框架,揭示GCL系统中知识保留机制可保留早期注入的后门,该框架通过拓扑感知结构触发器实现持久后门攻击,在多协议、多基准实验中表现优于基线且鲁棒。

链接:https://arxiv.org/abs/2611.19656

机构:Baylor University(贝勒大学); INRIA(法国国家信息与自动化研究所); University of Arkansas(阿肯色大学); Meta; NEC Laboratories America(美国 NEC 实验室)

作者:Dong Li, Yufei Han, Xintao Wu, Xujiang Zhao, Wei Cheng, Chen Zhao

116. Microfitting: Continual Learning via Cached Test-Time Training

微适配(Microfitting):通过缓存测试时训练的持续学习方法

AI 总结:提出微适配(Microfitting)方法,通过为每个文档训练缓存小型适配器并复用,在DeepSeek V4 Flash和EDO数据集上大幅提升问答准确率,实现低成本持续适配且避免灾难性遗忘。

链接:https://arxiv.org/abs/2611.20258

机构:Interval

作者:Nick Ryan, Peter A. Devine, Ben Sirb, Hannah Sansford, Alex Chiocchi

117. Protecting Safety during Reasoning Training with Low-Rank Fisher Regularisation

通过低秩Fisher正则化在推理训练期间保障安全

AI 总结:本研究针对大型语言模型微调时安全护栏易受损的问题,提出SP-EWC方法,通过将梯度投影到安全相关低秩子空间捕获非对角线曲率,采用cPCA识别子空间的SP-EWC可更好维持安全护栏且减少过度弃权。

链接:https://arxiv.org/abs/2611.20288

机构:University of Edinburgh(爱丁堡大学); University of Amsterdam(阿姆斯特丹大学)

作者:Neel Rajani, Ivan Titov

118. Variational Monte Carlo for Quantum Excited States via Nested Low-Rank Approximation

基于嵌套低秩近似的量子激发态变分蒙特卡洛方法

AI 总结:该研究针对量子激发态VMC的现有范式权衡问题,提出NestedLoRA-VMC算法,通过LoRA重参数化实现高效求解,在第一周期原子上K=10时精度与现有方法相当。

链接:https://arxiv.org/abs/2611.21434

机构:KIAS(韩国高等研究院); KAIST(韩国科学技术院); MIT(麻省理工学院); Penn State University(宾夕法尼亚州立大学); Kim Jaechul Graduate School of AI, KAIST(韩国科学技术院金在哲人工智能研究生院)

作者:Minchan Jeong, J. Jon Ryu, Se-Young Yun, Gregory W. Wornell

11. 数据集、基准与评测 | 8 篇

119. Not All Data Leakage Is Equal: A Controlled Benchmark of Evaluation Inflation in Tabular Classification

并非所有数据泄露都相同:表格分类中评估通胀的受控基准测试

AI 总结:本文通过受控基准测试量化五种数据泄露机制对表格分类ROC-AUC的影响,发现依赖标签或数据复用的泄露会显著提升评估指标,需重点审计。

链接:https://arxiv.org/abs/2611.18598

机构:International Institute of Information Technology Bangalore(班加罗尔信息技术国际学院)

作者:Ankit Sharma

120. SynthDCB: World Distillation for Scalable Device Control Benchmarking

SynthDCB:用于可扩展设备控制基准测试的世界蒸馏方法

AI 总结:提出SynthDCB基准,通过世界蒸馏构建,含多领域设备,评估7个模型,其在2560任务上达68.2% Pass@1,且提升令牌效率与能力覆盖。

链接:https://arxiv.org/abs/2611.18639

机构:X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机学院X-LANCE实验室); Shanghai Innovation Institution(上海创新研究院); Nanyang Technological University(南洋理工大学); University of Wisconsin–Madison(威斯康星大学麦迪逊分校); AISpeech Co., Ltd.(AISpeech有限公司)

作者:Zichen Zhu, Dingye Liu, Nan Jiang, Danyang Zhang, Hang Zheng, Shijie Zheng, Situo Zhang, Kunyao Lan, Yingzi Ma, Sheng Jiang, Lu Chen, Kai Yu

121. Simplify, Agree, Distill: Label-Free Self-Distillation with Stepping Stones

简化、一致、蒸馏:基于垫脚石的无标签自蒸馏

AI 总结:该研究针对语言模型无标签推理难题,提出STONE无标签自蒸馏方法,通过垫脚石策略提升Qwen3系列模型在数学基准上的准确率,效果优于带真实解的OPSD。

链接:https://arxiv.org/abs/2611.18916

机构:Amazon(亚马逊); Worcester Polytechnic Institute(伍斯特理工学院)

作者:Dingyang Chen, Jinfeng Xiao, Zhenyu Zhang, William Hu, Ziyu Wang, Yang Liu, Shirley Zhang, Yuan Ling, Xinyang Shen, Qi Zhang, Peijie Qiu

122. The Critic Can Hurt: On the Safety of Critics in LLM-Guided AutoML Search

批评者可能有害:关于大型语言模型引导的自动机器学习搜索中批评者的安全性

AI 总结:该研究聚焦LLM引导的AutoML搜索中批评者的安全性,通过四组审计和受控故障注入发现朴素8B批评者会降低搜索性能,提出验证门和检测器可减少损失,还将发布首个相关基准CRITFAULT。

链接:https://arxiv.org/abs/2611.19037

机构:Amazon(亚马逊); University of Massachusetts Boston(马萨诸塞大学波士顿分校); University of Southern California(南加州大学)

作者:Gaoyuan Du, Xiaoyang Liu, Rex Zhou, Dengdu Jiang, Rong Fu, Meng Ding, Defu Cao

123. NetBreaker: Benchmarking Network Dismantling across Objectives, Scales, and Toplogoies

NetBreaker:针对不同目标、规模与拓扑的网络拆解基准

AI 总结: 该研究推出NetBreaker基准,评估30种网络拆解方法,发现现有学习方法未始终优于非学习方法,为相关方法开发提供可复现基础。

链接:https://arxiv.org/abs/2611.19298

机构:National University of Defense Technology(国防科技大学); The Hong Kong University of Science and Technology(香港科技大学)

作者:Wenchuan Yang, Tianci Bu, Suoyi Tan, Changjun Fan, Zijie Zhou, Xin Lu

124. Federated Dataset Simulation: Inducing Label-Free Heterogeneity Across Tasks

联邦数据集模拟:在任务间引入无标签异质性

AI 总结:该研究提出联邦数据集模拟(FDS)任务,开发两种无标签划分方法,发布开源工具包,解决联邦学习评估数据集稀缺及非分类任务模拟缺失的问题,引入的异质性更贴合真实联邦环境。

链接:https://arxiv.org/abs/2611.19975

机构:City St George’s, University of London(伦敦城市圣乔治大学); Ultromics(奥特罗米克斯公司); ELLIS Institute Finland(芬兰ELLIS研究所); Aalto University(阿尔托大学); Flashbots(闪电机器人公司); Imperial College London(伦敦帝国学院)

作者:Vasilis Siomos, Lam Ngo, Jonathan Passerat-Palmbach, Giacomo Tarroni

125. SemiNovo: Learning Beyond Search-Identified Spectra for De Novo Peptide Sequencing

SemiNovo:超越搜索识别谱学习的从头肽段测序方法

AI 总结:SemiNovo是一种半监督从头肽段测序框架,通过构建DarkSpec语料库并结合质量约束解码与化学证据门控,在多基准上优于现有方法,代码与数据集公开。

链接:https://arxiv.org/abs/2611.21079

机构:Information Hub, HKUST(GZ)(香港科技大学(广州)信息枢纽); Institute of Engineering, Westlake University(西湖大学工程学院); Department of Chemistry, The University of Hong Kong(香港大学化学系); School of Life Sciences, Tsinghua University(清华大学生命科学学院)

作者:Pan Liu, Dongxin Lyu, Yusen Tan, Yifan Li, Hai-tao Yu, Yunhua Zhong, Zikun Wang, Tianze Ling, Jun Xia

126. MegNIST, A Benchmark for Non-Invasive Inner Speech Decoding

MegNIST:非侵入式内部言语解码的基准数据集

AI 总结:本研究提出MegNIST基准数据集,用于非侵入式内部言语解码,含12000次试次,提供标准化划分与工具,验证了想象数字解码准确率显著高于随机水平,降低了相关研究的开发门槛。

链接:https://arxiv.org/abs/2611.21399

机构:University of Oxford(牛津大学); Jesus College, University of Oxford(牛津大学耶稣学院)

作者:Teyun Kwon, Pratik Somaiya, Gereon Elvers, Francesco Mantegna, Anna Camera, Sven Braeutigam, Mark Woolrich, Oiwi Parker Jones

12. 机器学习应用 | 15 篇

127. SERAG: SEmantical and Relational approach for Anomaly detection on knowledge Graphs

SERAG:用于知识图谱异常检测的语义与关系方法

AI 总结:本研究提出SERAG,结合语义与关系信号的监督式知识图谱异常检测方法,在ICEWS18合成异常任务中,其AUPRC显著优于基线,融合策略可提升性能。

链接:https://arxiv.org/abs/2611.18640

机构:INSA Lyon(里昂国立应用科学学院); CNRS(法国国家科学研究中心); UCBL(里昂第一大学); Sorbonne Université(索邦大学)

作者:Ludovic Moncla, Antoine Salazar, Yassir Lairgi, Khalid Benabdeslem, Rémy Cazabet

128. Actuarial-Informed Neural Networks: Constrained Deep Learning for Sex-Specific Multi-Population Longevity Forecasting

精算驱动的神经网络:用于分性别多人群长寿预测的约束深度学习方法

AI 总结:提出精算驱动的神经网络(AINN),将精算知识嵌入LSTM训练,通过单调性约束的精度-稳定性权衡优化,在六国长寿预测中获低误差、窄置信区间的监管级输出。

链接:https://arxiv.org/abs/2611.18802

机构:Centre of Excellence for Global Finance Operations and Transformation(全球金融运营与转型卓越中心); Swiss Re Management Ltd(瑞士再保险管理有限公司)

作者:Davide Rindori

129. Benchmarking the State of AI for Crop Yield Forecasting: A Global Assessment Across Modeling Paradigms

作物产量预测的AI技术现状基准测试:跨建模范式的全球评估

AI 总结:该研究通过CY-Bench基准测试五种建模范式,发现特征工程机器学习和表格基础模型整体预测性能最强,数据驱动模型可降低多国玉米、小麦的NRMSE,同时指出时间和异常预测仍具挑战性。

链接:https://arxiv.org/abs/2611.19330

机构:Wageningen University and Research(瓦赫宁根大学与研究中心); Agroscope(瑞士农业研究站); Potsdam Institute for Climate Impact Research (PIK)(波茨坦气候影响研究所); Ludwig-Maximilians-Universität Munich(慕尼黑大学); Maastricht University(马斯特里赫特大学); Purdue University(普渡大学); Iowa State University(爱荷华州立大学)

作者:Michiel Kallenberg, Philip Janz, Christoph Jörges, Vageesh Saxena, Pratishtha Poudel, Mohammed Musthafa Rafi, Ioannis N. Athanasiadis

130. SLiDE: Structured Linear Dynamics for Forecasting with Exogenous Inputs

SLiDE:带外生输入预测的结构化线性动力学

AI 总结:提出受Koopman启发的SLiDE架构,通过结构化潜在线性动力学提升带外生输入的时间序列预测精度,在真实基准上达SOTA,泛化性显著优于轻量MLP。

链接:https://arxiv.org/abs/2611.19586

机构:Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院); Helmholtz AI(亥姆霍兹人工智能研究所); McGill University(麦吉尔大学); ILLS; Mila(米拉 Quebec AI 研究所); Amazon Science(亚马逊科学)

作者:Sebastian Pütz, Theodore Glavas, Benjamin Schäfer, Boris N. Oreshkin, Mark Coates

131. Mesoscale Neural Operators: Learning Nonlinear Constitutive Laws from Molecular Dynamics for Scalable Fracture Predictions

中尺度神经算子:从分子动力学学习非线性本构关系以实现可扩展的断裂预测

AI 总结:本研究提出中尺度神经算子(MNO),从分子动力学数据学习非线性本构关系,可实现跨尺度的可扩展断裂预测,在相关测试中精度达3%至6%,能复现动态脆性断裂特征。

链接:https://arxiv.org/abs/2611.19658

机构:Lehigh University(利哈伊大学)

作者:Yue Yu, Jihong Wang, Stewart Silling, Ziwei Yang

132. UrbanROI: Causal Modeling for Regional ROI Forecasting under POI Entry

UrbanROI:基于POI入驻的区域投资回报率预测因果建模

AI 总结:本文提出UrbanROI框架,通过建模POI间竞争交互与时间ROI演化,解决POI入驻下的区域ROI预测问题,在真实数据集上优于基线,为城市商业决策提供支撑。

链接:https://arxiv.org/abs/2611.20180

机构:Nanyang Technological University(南洋理工大学); China Agricultural University(中国农业大学); Meituan(美团)

作者:Zhaoqi Zhang, Miao Xie, Linyou Cai, Qianlong Xie, Xingxing Wang, Siqiang Luo, Gao Cong

133. Tabular Foundation Models as Emulators for Forecasting Terrestrial Ecosystem Dynamics

表格基础模型作为模拟器用于预测陆地生态系统动态

AI 总结:本研究对比TabPFN-3.5与DeepED基线模型,发现其在无训练时部分指标精度较高,在SSP5-8.5情景下多项指标最优,可作为陆地生态系统动态预测的高效模拟器。

链接:https://arxiv.org/abs/2611.20468

机构:University of Maryland(马里兰大学); Rutgers University(罗格斯大学)

作者:Zhihao Wang, Ruohan Li, Lei Ma, George Hurtt, Xiaowei Jia, Yiqun Xie

134. Newton-PINet: A fast physics-informed neural network with Newton linearization for meta-learning nonlinear PDEs

Newton-PINet:一种结合牛顿线性化的快速物理信息神经网络,用于元学习非线性偏微分方程

AI 总结:提出结合牛顿线性化的Newton-PINet,采用带跳跃连接的物理信息网络与两阶段学习策略,在非线性反应-扩散基准上,相对误差远低于近期神经求解器,训练任务与时间大幅减少,推动PINN元学习发展。

链接:https://arxiv.org/abs/2611.20609

机构:School of Mechanical Engineering, Tianjin University(天津大学机械工程学院); Institute of Advanced Intelligence and Computing, A*STAR, Singapore(新加坡A*STAR高级智能与计算研究所)

作者: Yuchen Fan, Chang Wei, Pao-Hsiung Chiu, Chin Chun Ooi, Heyang Wang, Jian Cheng Wong

135. MSAR: Next-Scale Autoregressive Forecasting for Time Series via Modular Multi-Scale Decoupling

MSAR:基于模块化多尺度解耦的下一代自回归时间序列预测

AI 总结:本文提出MSAR模型,通过模块化多尺度解耦实现尺度对齐自回归,在多数据集上提升了时间序列预测的准确率与推理效率。

链接:https://arxiv.org/abs/2611.20714

机构:Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所); Beijing University of Posts and Telecommunications(北京邮电大学); University of Chinese Academy of Sciences(中国科学院大学); Zhejiang Lab(之江实验室); Northeastern University(东北大学)

作者:Fanda Fan, Kuiye Ding, Liming Mao, Bingsong Wang, Yao Wang, Xiaorui Wang, Ruijie Jian, Zhipeng Liu, Luqi Gong, Zhenghua Lu, Chunjie Luo, Jianfeng Zhan

136. Auditing World-Model Explanations in Retail Forecasting: Faithfulness, Accuracy and Price Response

零售预测中的世界模型解释审计:忠实性、准确性与价格响应

AI 总结:本研究审计零售预测中世界模型的解释,发现通过预设检查的解释未必正确,其价格响应与真实值偏差大,且检查通过数与预测准确性无关。

链接:https://arxiv.org/abs/2611.20811

作者:Kathik Iyer

137. Cap-Aware Boosting for Green Day-Ahead Electricity Price Forecasting

面向绿色日前电价预测的感知上限提升算法

AI 总结:针对印度GDAM电价预测问题,提出基于LightGBM的感知上限概率预测框架,引入防泄漏变体,在257个交易日及后续样本外评估中均显著优于基准模型,验证了该方法的有效性。

链接:https://arxiv.org/abs/2611.21149

机构:AMPIN Energy Transition(AMPIN能源转型公司)

作者:Shubham Pratap

138. Conformal Expert Pools: Training-Free Probabilistic Time-Series Forecasting Beyond Seasonality

共形专家池:超越季节性的无训练概率时间序列预测

AI 总结:提出无训练的共形专家池(CEP),在时间序列预测基准测试中,其性能显著优于CSP、DeepNPTS等多种方法,且远快于Laplace等在线集成预测器。

链接:https://arxiv.org/abs/2611.21267

作者:Valery Manokhin

139. Wavelet-Energy-Driven Dynamic Patching for Time Series Forecasting

小波能量驱动的动态分块时间序列预测

AI 总结:该研究针对时间序列预测中基于分块Transformer的单一分辨率缺陷,提出小波能量驱动的动态分块方法,发现改进源于多分辨率结构与可变分块,而非可学习小波。

链接:https://arxiv.org/abs/2611.21319

机构:University of Oxford(牛津大学)

作者:Syed Hafiz Bin Salim Alsree, Stephen Roberts, Stefan Zohren

140. Efficient Modeling of Multi-Agent Systems via Structure-Aware Physics-Informed Learning

基于结构感知物理信息学习的多智能体系统高效建模

AI 总结:本文提出MAS-PINN结构感知物理信息学习框架,通过共享特征与无矩阵更新策略提升多智能体系统建模效率,在三类基准测试中实现精度提升与计算成本降低。

链接:https://arxiv.org/abs/2611.21404

机构:KTH Royal Institute of Technology(瑞典皇家理工学院); University College London(伦敦大学学院)

作者:Yulun Wu, Nicola Bastianello, Karl Henrik Johansson, Matthieu Barreau

141. Severe but Harmless: Stress-Testing Shift Severity for Frozen Time-Series Forecasters

严重但无害:对冻结时间序列预测器的偏移严重程度进行压力测试

AI 总结: 该研究针对冻结时间序列预测器,通过实验发现现有分布偏移严重程度指标无法可靠预测模型性能退化,提出基于等变性的压力测试分析解释二者脱钩的原因。

链接:https://arxiv.org/abs/2611.21562

作者:Korede R. Bishi, Dominic Okonkwo, Adetayo Okunoye

13. 其他/综合机器学习 | 111 篇

142. Check Token: Real-Time Self-Verification and Precise Truncation in LLM Reasoning

检查标记:大语言模型推理中的实时自验证与精确截断

AI 总结:该研究借鉴ECC内存的奇偶校验机制,提出检查标记实现大语言模型推理的实时自验证,经Qwen3系列模型实验,在HMMT25数据集上获10.8个百分点提升,开销仅1.13倍,标记效率为Best-of-8的88倍。

链接:https://arxiv.org/abs/2611.18564

机构:Alibaba Group(阿里巴巴集团); Tsinghua University(清华大学)

作者:Fei Ding, Yongkang Zhang, Yuhao Liao, Zijian Zeng, Huiming Yang

143. Quantize, Qualify, Rerank: A Recipe for Compressing LLMs Without Losing Quality

量化、验证、重排序:一种不损失质量的大语言模型压缩方案

AI 总结:该研究针对WMT26模型压缩赛道,提出量化、验证、重排序方案,压缩google/gemma-3-12b-it时,用MetricX24-XXL等指标验证,重排序器提升了压缩模型性能,压缩后模型仍保持竞争力。

链接:https://arxiv.org/abs/2611.18587

机构:Microsoft(微软公司)

作者:Thamme Gowda

144. Multimodal Fusion with Pre-trained Models for Psychotherapy Outcome Prediction from Emotional Dynamics

基于情绪动力学的预训练模型多模态融合用于心理治疗结局预测

AI 总结:本研究针对临床数据稀缺问题,对比经典与深度学习方法,发现采用预训练表征结合统计池化及正则化经典模型,可更可靠地基于多模态情绪信号预测心理治疗结局。

链接:https://arxiv.org/abs/2611.18635

机构:University of Augsburg(奥格斯堡大学); University of Trier(特里尔大学)

作者:Tobias Hallmen, Marius Funk, Antonia Vehlen, Jeanne Hierse, Gerhard Prinz, Steffen Eberhardt, Wolfgang Lutz, Elisabeth André

145. HIMX: mixed-format matrix multiplication based on customized HIFLOAT4 representations

HIMX:基于定制化HIFLOAT4表示的混合格式矩阵乘法

AI 总结:HiMX是基于HIF4分层缩放结构的混合尾数框架,通过为权重适配S1P2、为激活适配E2M1的异构尾数表示,在Qwen3系列模型上降低了W4A4量化的端到端精度损失。

链接:https://arxiv.org/abs/2611.18641

机构:Huawei Technology(华为技术有限公司)

作者:Zhiyuan Zhang, Yanzhao Li, Hui Dong, Sifan Cheng, Jingwei Zhang

146. Screen Before You Add: Reducing Candidate Inference in Model Ensembles

添加前筛选:减少模型集成中的候选推理

AI 总结:该研究针对模型集成添加候选模型时的高推理成本问题,提出利用残差几何和二次规划等方法进行早期安全筛选,在保持高筛选准确性的同时大幅减少候选推理调用。

链接:https://arxiv.org/abs/2611.18647

机构:distributed cognition(分布式认知机构)

作者:Davide Mambelli, Alessandro Rozza, Steven Motta

147. Rethinking Offline On-Policy Distillation: From Scalar Advantages to Distributional Supervision

重新思考离线在线策略蒸馏:从标量优势到分布监督

AI 总结:该研究针对离线在线策略蒸馏的缺陷,提出DistOPD方法,在智能体搜索任务中实现与在线OPD相当性能,同时提升学生-教师对齐度并降低训练成本。

链接:https://arxiv.org/abs/2611.18648

机构:NYU Shanghai(上海纽约大学); NTU(南洋理工大学); UCAS(中国科学院大学); Yale(耶鲁大学)

作者:Qi Sun, Siyue Zhang, Tingyu Song, Yilun Zhao, Chen Zhao

148. SART: Sign-Absolute Reformulation Theory for Binary Variable Reduction in Neural Network Verification

SART:用于神经网络验证中二值变量约简的符号-绝对重述理论

AI 总结:本研究提出SART理论打破神经网络验证中不稳定神经元与二值变量的一对一映射,推导变量下界并证明最终层可压缩50%,开发LayerABS验证器将增益扩展至全网络,还揭示了影响验证复杂度的结构规律。

链接:https://arxiv.org/abs/2611.18657

机构:Tongji University(同济大学)

作者:Jin Xu, Miaomiao Zhang, Bowen Du

149. Stagewise Adaptive Boosting

逐步自适应提升算法

AI 总结:提出逐步自适应提升框架,通过构建单调路径实现更强稀疏性与丰富结构控制,在预测性能相当的同时选择更小模型,为高维建模提供实用方法。

链接:https://arxiv.org/abs/2611.18662

作者:Valerie R. Fu, Brayden Lu, Lu Tian

150. Gradient-Guided Hardware-Native MIXFP4

梯度引导的硬件原生MIXFP4

AI 总结:提出FlipQuant方法,通过为MMA权重块选择量化格式,结合梯度学习格式映射,在低GEMM开销下大幅缩小NVFP4与BF16的PPL差距。

链接:https://arxiv.org/abs/2611.18769

机构:National Yang Ming Chiao Tung University(国立阳明交通大学); National Taiwan University(国立台湾大学); OpenAI; Cornell University(康奈尔大学)

作者:Jian-Jia Chen, Brian J. Chan, Wen-Hung Lee, Yi-Ting Li, Po-Shen Chen, Kuan-Te Kuo, Hsien-Cheng Huang, Cody Hao Yu, Chi-Chih Chang, Mohamed S. Abdelfattah, Kai-Chiang Wu

151. Hybrid Compression for Memory-Efficient Matrix-Vector Multiplication

用于内存高效矩阵-向量乘法的混合压缩方法

AI 总结:针对mm-RePair框架提出结合语法与熵压缩的混合策略,可提升矩阵-向量乘法的压缩效果、降低内存占用,且线程扩展性良好。

链接:https://arxiv.org/abs/2611.18792

机构:Faculdade de Engenharia Elétrica, Universidade Federal de Uberlândia(乌贝兰迪亚联邦大学电气工程学院); Instituto de Computação, Universidade Estadual de Campinas(坎皮纳斯州立大学计算研究所); Department of Computer Science, University of Pisa(比萨大学计算机科学系)

作者:Felipe A. Louza, Giovanni Manzini, Guilherme P. Telles

152. Clustering-Based Artificial Tree Ensembles for Random Forest Approximation

用于随机森林近似的基于聚类的人工树集成

AI 总结:该研究提出基于聚类的人工树集成用于近似随机森林,对比其与MRT集成的性能,明确了不同集成的权衡及相似度聚类的作用。

链接:https://arxiv.org/abs/2611.18803

机构:University of Luebeck(吕贝克大学); University Medical Center Göttingen(哥廷根大学医学中心); CAIMed, Lower Saxony Center for Artificial Intelligence and Causal Methods in Medicine(下萨克森州人工智能与因果医学中心(CAIMed))

作者:Lea L. Kronziel, Maren S. Wieder, Silke Szymczak, Björn-Hergen Laabs

153. LEAP-LLM: Preserving lead-time structure for question-conditioned ECG interpretation

LEAP-LLM:保留导联时间结构的问题条件心电图解读模型

AI 总结:提出LEAP-LLM,通过导联分支与时间分支保留ECG导联和时间结构,在4个ECG基准上性能更优,且可自适应强调临床相关导联组,同时大幅降低模态token数量与预填充FLOPs。

链接:https://arxiv.org/abs/2611.18809

机构:University of Houston(休斯顿大学)

作者:Aakash Agarwal, Yidan Shen, Xin Fu, Renjie Hu

154. Identification and external validation of the sets of 4-, 6-, 8-, 12-, and 24-hour CGM motifs

4、6、8、12和24小时CGM基序集的识别与外部验证

AI 总结:本研究在Lobo等人识别的24小时CGM基序集Ω基础上,识别出4、6、8、12、24小时的CGM基序集,经含21项研究的外部数据集验证,其性能与Ω相当,拓展了框架的短期预测与诊断用例。

链接:https://arxiv.org/abs/2611.18844

机构:School of Data Science, University of Virginia(弗吉尼亚大学数据科学学院); Center for Diabetes Technology, School of Medicine, University of Virginia(弗吉尼亚大学医学院糖尿病技术中心)

作者:Benjamin Lobo

155. Self-Improvement Memory Enables Continual Recursive Self-Improvement

自改进记忆实现持续递归自改进

AI 总结:该研究针对持续递归自改进场景,提出自改进记忆(SIM)方法,在多领域实验中,SIM 相比仅 harness 延续等方式,可显著提升优化最终分数。

链接:https://arxiv.org/abs/2611.18856

机构:Google Cloud AI(谷歌云人工智能); The Pennsylvania State University(宾夕法尼亚州立大学); Google DeepMind(谷歌DeepMind); Google Cloud AI Research(谷歌云人工智能研究)

作者:Xin Yu, Fei Xia, Jiaqi Pan, Youbao Tang, Chengzhi Liu, Adams Yu, Sicong Jiang, Yanfei Chen, Lingzhou Xue, Ting Yu

156. Factorized Self-Supervised Speech Tokenization

因式分解式自监督语音分词器

AI 总结:提出Facto因式分解式自监督语音分词器,解耦时变与静态语音成分,提升分词噪声鲁棒性,在下游任务中改善文本到语音性能并在语音转换等任务中具竞争力。

链接:https://arxiv.org/abs/2611.18898

机构:Ubisoft La Forge(育碧拉福奇工作室); Concordia University(康考迪亚大学); Mila(米拉研究所); Stellenbosch University(斯泰伦博斯大学)

作者:Benjamin Van Niekerk, Jean-Philippe Letendre, Nicol Visser, Hugo Seute, Herman Kamper, Mirco Ravanelli

157. The Human Side of ML Engineering: Analyzing the Collaboration and Communication Skills in ML Job Postings

机器学习工程的人文层面:分析机器学习职位招聘中的协作与沟通技能

AI 总结:该研究分析五大洲1000条ML与SE职位招聘,发现ML岗位对协作、沟通的需求远高于关键词估计,二者侧重不同,且ML岗位对人际能力的划分更鲜明。

链接:https://arxiv.org/abs/2611.18915

机构:Vrije Universiteit Amsterdam(阿姆斯特丹自由大学); Technical University of Munich(慕尼黑工业大学)

作者:Aidin Azamnouri, Phuong Thao Le, Justus Bogner, Stefan Wagner

158. OverclusterDRG: a Deterministic, LP-Free Heuristic for Robust $k$-Center

OverclusterDRG:用于鲁棒k-中心的确定性、无线性规划(LP)启发式算法

AI 总结:本文提出用于鲁棒k-中心(RkC)的确定性无LP启发式算法OverclusterDRG,通过最远点过采样等技术实现,在UCI Adult数据集上表现优于基线,可扩展至10^5个点。

链接:https://arxiv.org/abs/2611.18931

机构:University of Delhi(德里大学); Northwestern University(西北大学); P.G.D.A.V. College, University of Delhi(德里大学 P.G.D.A.V. 学院)

作者:Rudra Bhardwaj, Rajni Dabas, Neelima Gupta

159. Geometrically Disentangling Concept Learning from the Language Modeling Loss

从语言建模损失中进行几何解耦的概念学习

AI 总结:该研究提出可解释性框架与Concept Energy指标,在Pythia系列模型的检查点上揭示语言建模损失与概念学习的关联,发现概念能量的峰值规律及概念学习的多阶段特性。

链接:https://arxiv.org/abs/2611.18933

机构:Halıcıoğlu Data Science Institute(哈利西奥卢数据科学学院); University of California San Diego(加州大学圣迭戈分校)

作者:Yupei Wang, Neil Mallinar, Mikhail Belkin, Alex Warstadt

160. Large language models as oncology world models

大型语言模型作为肿瘤学世界模型

AI 总结:本研究探索LLMs的肿瘤学世界模型,通过系统改变患者特征验证其逻辑一致性,开发Clinical State Space框架,为改进肿瘤学世界模型、支持数字孪生提供评估工具。

链接:https://arxiv.org/abs/2611.18994

作者:Julien Vibert, Jakob Nikolas Kather

161. Revealing the Biases of Large Language Models By Inferring Prior Distributions

通过推断先验分布揭示大语言模型的偏差

AI 总结:本研究针对大语言模型的社会偏差评估问题,提出基于贝叶斯逆问题的方法,通过BBQ基准推断其在模糊社会语境下的响应先验分布,揭示其潜在偏差。

链接:https://arxiv.org/abs/2611.18996

机构:Princeton University(普林斯顿大学)

作者:Joshua Ryo Cheng, Thomas L. Griffiths, Jake C. Snell

162. AdaMenu: Query-Adaptive Menus for Decision Models over Large Label Spaces

AdaMenu:面向大标签空间决策模型的查询自适应菜单

AI 总结:AdaMenu是一种查询自适应菜单方法,通过构建适配查询的紧凑候选菜单并仅发起一次请求,在大标签空间分类任务中,准确率优于TypeSafe基线且大幅降低输入成本,可应对选项限制场景。

链接:https://arxiv.org/abs/2611.19005

机构:Unicom Data Intelligence, China Unicom(中国联通数据智能); Data Science & Artificial Intelligence Research Institute, China Unicom(中国联通数据科学与人工智能研究院)

作者:Jiangze Yan, Yi Shen, Jieyun Huang, Wenjing Zhang, Zhaoxiang Liu, Ning Wang, Kai Wang, Shiguo Lian

163. A Fast Algorithm for the Familywise Loss

族损失(Familywise Loss)的快速算法

AI 总结:本研究针对多分类任务的族损失(FW),理论证明其梯度可在O(K)时间计算,开发的优化内核在CPU和GPU上的速度优于交叉熵(CE),解决了FW计算效率的问题。

链接:https://arxiv.org/abs/2611.19065

机构:Illinois Institute of Technology(伊利诺伊理工学院); Modular(模块化公司); Friedrich Schiller University Jena(耶拿弗里德里希·席勒大学); The Institute of Statistical Mathematics(统计数学研究所); Tohoku University(东北大学); RIKEN AIP(理化学研究所人工智能研究中心)

作者:Leelavathi Raja, Amirreza Eshraghi, Vinay Prabhakar, Mark Blacher, Han Bao, Yutong Wang

164. DynaDFlash: Dynamic Feature Projection for Block Diffusion Speculators

DynaDFlash:用于块扩散投机者的动态特征投影

AI 总结:本研究提出DynaDFlash动态特征投影方法,针对Qwen 3的块扩散投机者,在数学语境下提升了平均接受长度5%、吞吐量4.1%,虽整体平均接受长度无显著差异但特定场景表现更优。

链接:https://arxiv.org/abs/2611.19085

作者:Aadi Kulshrestha, Reese Chong

165. Knowledge-Guided Local-to-Global Anomaly Learning for Longitudinal Medication Trajectories

面向纵向用药轨迹的知识引导局部到全局异常学习

AI 总结:针对纵向用药轨迹异常检测需区分合理治疗变化与异常改变并关联局部偏差与账户决策的问题,提出知识引导的局部到全局(L2G)异常学习框架,在两城市队列实验中表现优于对比方法,定位增益更稳定。

链接:https://arxiv.org/abs/2611.19106

机构:East China University of Political Science and Law(华东政法大学)

作者:Wendi Ji

166. How Much Determinism Can Fine-Tuning Buy? Margin Regularisation Against Batch-Induced Token Flips

微调能带来多少确定性?针对批次诱导的标记翻转的边际正则化

AI 总结:该研究针对批次诱导的标记翻转问题,提出对模型top-1/top-2 logit间隙应用铰链惩罚的边际正则化方法,在GSM8K数据集上使标记翻转减少35%,同时验证了相关假设。

链接:https://arxiv.org/abs/2611.19135

作者:Charan Teja Nagisettygari, Siva Raja Sindiramutty

167. On-policy distillation as a Backdoor Propagation Channel

作为后门传播通道的在线策略蒸馏

AI 总结:本研究揭示OPD可作为后门传播通道,攻击者通过SFT向教师模型植入条件后门后,OPD能以极小触发提示比例将后门传递给学生模型,且该传递强于传统蒸馏,还提出了针对性OPD训练方法以缓解风险。

链接:https://arxiv.org/abs/2611.19207

机构:Alibaba Group(阿里巴巴集团); Wuhan University of Technology(武汉理工大学); Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所); Jilin University(吉林大学); Beijing University of Posts and Telecommunications(北京邮电大学); Taobao (China) Software Co., Ltd.(淘宝(中国)软件有限公司)

作者:Zane Fu, Yanzhao Zheng, Ziting Qin, Qianshan Wei, Yi Yu, Gongli Xi, Jihuai Zhu, Baohua Dong, Hangcheng Zhu, Ruohui Huang, Gang Yu

168. Does Lifestyle Information Improve Hypertension Prediction? A Leakage-Controlled Evaluation on NHANES

生活方式信息能否改善高血压预测?一项针对NHANES的泄漏控制评估

AI 总结:本研究针对NHANES数据集,评估五类机器学习模型,发现添加生活方式信息未一致提升高血压预测的判别性能,仅在未治疗成年人中见小的正差值,需进一步验证。

链接:https://arxiv.org/abs/2611.19302

机构:Columbia University(哥伦比亚大学)

作者:Uriel Benymon

169. A Backdoor Trigger Is Legible in Fine-Tune Weights

后门触发器在微调权重中是可识别的

AI 总结:本文提出一种无需运行模型、无需数据等条件的静态统计方法,可从微调后的权重中直接识别语言模型的后门触发器。

链接:https://arxiv.org/abs/2611.19304

作者:Snigdha Chandan Khilar

170. Do Pretraining Optimizer Gains Transfer to KL Distillation?

预训练优化器的增益能否迁移到KL蒸馏中?

AI 总结:本文研究预训练优化器增益是否可迁移到KL蒸馏,在Qwen师生模型对中对比AdamW等矩阵结构优化器,发现其未持续优于基准,增益无法自动迁移,需针对目标场景重新验证。

链接:https://arxiv.org/abs/2611.19419

机构:NVIDIA(英伟达)

作者:Lavinia Ghita, Dhruv Desai

171. Efficient and Accurate Causal Validation of Training Data Attribution

训练数据归因的高效准确因果验证

AI 总结:本文针对训练数据归因(TDA)因果验证成本高的问题,从三个维度减少线性数据建模分数(LDS)的计算量,通过消除偏差源和估计训练噪声方差,大幅降低重新训练次数并保持精度。

链接:https://arxiv.org/abs/2611.19451

机构:MATS Research(MATS研究所); University of Toronto(多伦多大学); Vector Institute(矢量研究所); Numurho

作者:Simon Vary, Alireza Mousavi-Hosseini, Roger Grosse

172. Successive Convexification in Learned World Models for Safe Offline Planning

用于安全离线规划的学习世界模型中的逐次凸化

AI 总结:该研究针对学习世界模型的安全离线规划,提出逐次凸规划(SCP)方法,结合控制障碍函数约束,在Safety-Gymnasium任务中相比MPPI、CEM更安全且长时域回报更高。

链接:https://arxiv.org/abs/2611.19466

机构:Imperial College London(帝国理工学院)

作者:Samuel Younger

173. Func-JEPA: Learning a Sobolev Space of Functions as Latent Vectors

Func-JEPA:学习作为潜在向量的函数的索伯列夫空间

AI 总结: 本研究提出Func-JEPA模型,将数学函数编码为模仿索伯列夫空间H^1的潜在向量,其在从噪声样本恢复精确公式上优于符号回归方法,可复用至多个下游任务。

链接:https://arxiv.org/abs/2611.19542

作者:Alejandro Moreno Arcas

174. Random Cut Forests, Games and Diffusion over Approximately Nested Anisotropic Local Geometry

随机割森林、博弈与近似嵌套各向异性局部几何上的扩散

AI 总结:该研究结合能量学习与可解释树模型,以随机割森林的演化几何为基础,将现有得分关联为随机游走逃逸概率,通过稀疏电网络实现统一能量演算,可适配流数据的不同问题需求,还通过旋转星噪声示例验证了相关测量。

链接:https://arxiv.org/abs/2611.19548

作者:Sudipto Guha

175. Read, Then Shade? How Visual Evidence Changes Incentive-Driven Misreporting in Vision-Language Advisors

先读取,再隐瞒?视觉证据如何改变视觉语言顾问中激励驱动的错报行为

AI 总结:该研究探究视觉语言模型在激励驱动下的错报行为,发现视觉输入未提升其真实性,合规性取决于读取值是否明确及输出顺序,这是仅文本评估无法揭示的。

链接:https://arxiv.org/abs/2611.19561

作者:Hamidreza Hasani Balyani

176. Sharp First-Hit Identification from Finite Depth Samples

基于有限深度样本的精确首击识别

AI 总结:针对有限深度样本下相机视图的精确首击识别问题,基于有界利普希茨逆深度场,刻画可实现首击深度的精确集合,给出多候选深度为共享场景首击的充要检验,推导特定模型下的尖锐最坏情况逆深度直径并验证其有效性。

链接:https://arxiv.org/abs/2611.19563

机构:University of Southern California(南加州大学); Islamic Azad University, Amol Branch(伊斯兰阿扎德大学阿莫尔分校)

作者:Hamidreza Hasani Balyani, Mahtab Movahhedrad, Seyed Pouyan Mousavi Davoudi

177. Spectral Steering: Local Inverse Geometry for Frozen Diffusion Generators

频谱引导:用于冻结扩散生成器的局部逆几何

AI 总结:该研究提出频谱引导方法,结合余弦增益预测器等技术,在图像、音频等多领域实验中,其校正方法在修复任务上使PSNR较Adam提升3.25 dB,建立了请求依赖几何与下游性能的关联。

链接:https://arxiv.org/abs/2611.19572

机构:University of Applied Sciences and Arts of Southern Switzerland (SUPSI)(瑞士南部应用科学与艺术大学(SUPSI)); Università della Svizzera italiana (USI)(意大利语瑞士大学(USI)); Politecnico di Milano(米兰理工大学)

作者:Angelo Moroncelli, Alessandro Leanza, Loris Roveda

178. PBit1: One Programmable P-Bit per Parameter - A Finite-Control Representation of Pretrained Networks

PBit1:每个参数对应一个可编程P位——预训练网络的有限控制表示

AI 总结:本研究提出PBit1,为预训练网络每个参数分配可编程p-bit,经实验验证其在GPT-2等模型中无需微调即可保留任务质量,且能减少观测次数,为有限控制权重表示研究提供具体构造。

链接:https://arxiv.org/abs/2611.19588

机构:Johns Hopkins Whiting School of Engineering(约翰斯·霍普金斯大学怀廷工程学院)

作者:Omar Ramadan

179. Synthetic Neurosymbolic Task Generation with Controlled Constraint Complexity

具有可控约束复杂度的合成神经符号任务生成

AI 总结:本研究提出NeSySy合成生成器,可可控生成神经符号学习任务的逻辑约束与数据集,用于分析学习与逻辑结构的交互,明确约束感知学习方法的适用场景。

链接:https://arxiv.org/abs/2611.19597

机构: Ukrainian Catholic University(乌克兰天主教大学); HUN-REN Alfréd Rényi Institute of Mathematics(HUN-REN阿尔弗雷德·莱尼数学研究所); KU Leuven(鲁汶大学); University of Oxford(牛津大学)

作者:Mykhailo Buleshnyi, Zsolt Zombori, Michael Benedikt

180. Before the Word: Name Information in Description-Derived States of Small Language Models, With and Without Naming Failure

在词汇之前:小型语言模型从描述中导出的状态中的名称信息——存在命名失败与不存在命名失败的情况

AI 总结:本研究以舌尖现象为类比,探究Qwen2-0.5B等三种小型语言模型从无名称描述中形成的名称预测状态,发现状态中存在名称信息,且命名失败样本的描述-释义一致性结果混杂。

链接:https://arxiv.org/abs/2611.19609

作者:Fernando Cardenas Piepereit

181. Well-Log Reconstruction with Pre-trained Geological Knowledge: A Knowledge-Conditioned Large-Language-Model Generative Agent

基于预训练地质知识的测井曲线重建:一种知识条件化的大语言模型生成智能体

AI 总结:提出GeoLog-Agent,结合预训练LLM的地质先验与Geo-Harness,在挪威北海基准上提升测井曲线重建精度,迁移耦合机制可增强常规深度学习模型性能。

链接:https://arxiv.org/abs/2611.19624

机构:College of Computer Science and Technology, China University of Petroleum (East China)(中国石油大学(华东)计算机科学与技术学院)

作者:Yongan Zhang, Yitao Yu, Yizheng Li, An Gong, Youzhuang Sun

182. Robust Well-Log Reconstruction Across Point Gaps and Whole Wells via Boundary-Gated Soft-Thresholding Kalman Fusion

基于门控软阈值卡尔曼融合的跨点缺失与全井段鲁棒测井曲线重建

AI 总结:提出ST-KF方法,在263口井的两个测井基准上,较基线显著降低多种测井参数的RMSE,验证了其跨盆地重建的鲁棒性与有效性。

链接:https://arxiv.org/abs/2611.19625

机构:The Hong Kong Polytechnic University(香港理工大学); Shandong University of Science and Technology(山东科技大学); China University of Petroleum (East China)(中国石油大学(华东))

作者:Yongan Zhang, Zhihan Qiu, Yizheng Li, Youzhuang Sun

183. LoopFill: Pipelined Multi-Token Speculative Decoding for Looped Transformers

LoopFill:用于循环Transformer的流水线多令牌投机解码

AI 总结:提出无需训练的LoopFill算法,结合多令牌后缀起草与浅循环预测,在七个基准测试中较贪心解码获5.13-5.85倍加速,优于基线LoopAhead。

链接:https://arxiv.org/abs/2611.19649

机构:University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校); Princeton University(普林斯顿大学)

作者:Siqi Zhu, Suozhi Huang, Yi Zhao, Jiaxuan You

184. With the Right Representation, Classical Machine Learning Rivals Deep Models for Olfactory Mixture Similarity

采用合适的表示方法,经典机器学习在嗅觉混合物相似度任务上可与深度模型相媲美

AI 总结:该研究针对嗅觉混合物建模挑战,采用显式对称比较特征结合XGBoost、KRR的经典学习方法,在基准测试中性能可与深度模型媲美,为低数据场景下的经典机器学习应用提供了新思路。

链接:https://arxiv.org/abs/2611.19650

机构:University of Michigan(密歇根大学)

作者:Ze Dong, Yi Wang, Ambuj Tewari

185. Elicited Adaptation: Auditable Localized Fairness via Pairwise Queries

引出式适应:通过成对查询实现可审计的局部公平性

AI 总结:该研究针对社区公平标准变化的场景,提出通过成对查询实现可审计局部公平的方法,刻画了分数适应的成本,给出近似修复方案并分析了查询复杂度。

链接:https://arxiv.org/abs/2611.19686

作者:Shrey Shah

186. MathaMAGICal: Validating Trajectory Data Attribution During Capability Acquisition

MathaMAGICal:验证能力获取过程中的轨迹数据归因

AI 总结:本研究验证了MAGIC在轨迹数据归因中的可靠性,发现短检查点窗口可提升预测准确性,且族级模式能跨运行泛化,为数学模型的能力获取提供了数据归因的关键见解。

链接:https://arxiv.org/abs/2611.19692

机构:Algoverse AI Research(Algoverse人工智能研究院); University of California, Los Angeles(加利福尼亚大学洛杉矶分校); Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希·赫兹研究所); Technische Universität Berlin(柏林工业大学); Georgia Institute of Technology(佐治亚理工学院)

作者:Jason Lee, Dikshanta Pokhrel, Phonn Nay Khant, Victor Lee, Moritz Weckbecker, Sebastian Lapuschkin, Wojciech Samek, Mark Riedl, Glenn Matlin

187. Data Attribution Should Steer Pretraining

数据归因应引导预训练

AI 总结:该研究提出训练数据归因应引导预训练,通过识别可复用的可测试数据属性作为策展标准,设计反馈循环并在同等计算量下与三类基线对比,为预训练数据选择提供新方向。

链接:https://arxiv.org/abs/2611.19698

机构:Georgia Institute of Technology(佐治亚理工学院); University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校); EleutherAI

作者:Glenn Matlin, Chandreyi Chakraborty, Mohammed Rehan Parwani, Saehee Eom, Anthony Wen-Ming Zang, Akhil Theerthala, Arjun Chatterjee, Tejas Khandwekar, Brandon Michaels, Alvin Deng, Mark Riedl

188. When Does an AUROC Comparison Survive a Change in Population Mix?

当AUROC比较在总体混合变化时是否依然成立?

AI 总结:该研究探讨AUROC比较在总体混合变化时的稳定性,通过理论分析证明通用优势性为coNP难,结合图像与语言模型实验验证了混合下的比较反转现象,并提出有限库审计与边际秩对齐等解决方案。

链接:https://arxiv.org/abs/2611.19762

机构:University of Southern California(南加州大学); Islamic Azad University, Amol Branch(伊斯兰阿扎德大学阿莫尔分校)

作者:Mahtab Movahhedrad, Hamidreza Hasani Balyani, Seyed Pouyan Mousavi Davoudi

189. PISG: Constraint-Aligned Signal Amplification for Diffusion-Based Combinatorial Optimization

PISG:面向扩散式组合优化的约束对齐信号放大方法

AI 总结:该研究提出无训练方法PISG,在测试阶段放大扩散式组合优化去噪器的约束对齐信号,可提升TSP、MIS-ER等求解器的性能,成本增益最高达4.8%。

链接:https://arxiv.org/abs/2611.19768

作者:Yuming Zhang, Xianchen Zhou, Hongxia Wang

190. Exact Sparse Assignment with Costly Target Embeddings: Fixed-Realization Certificates and an Empirical Audit

带代价目标嵌入的精确稀疏分配:固定实现证书与实证审计

AI 总结:本文针对带代价目标嵌入的稀疏分配问题,提出单位范数嵌入的固定实现证书,在四个文本实体匹配基准上审计后发现其运行时声明被反驳,选择性执行更慢且部分重新编码未保留最优解。

链接:https://arxiv.org/abs/2611.19770

机构:University of Southern California(南加州大学); Islamic Azad University, Amol Branch(伊斯兰阿扎德大学阿莫尔分校)

作者:Hamidreza Hasani Balyani, Mahtab Movahhedrad, Seyed Pouyan Mousavi Davoudi

191. How Should Parallel Langevin Chains Share Noise?

并行朗之万链应如何共享噪声?

AI 总结:该研究探讨并行朗之万链的噪声共享问题,提出通过中心化跨链高斯抽取的方法,可显著降低后验均值估计的方差,且在Metropolis校正下仍有可观性能提升。

链接:https://arxiv.org/abs/2611.19784

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

作者:Ryan Farell

192. Eliciting Research Taste in LLMs through Future Research Direction Choice

通过未来研究方向选择激发大语言模型的研究品味

AI 总结: 本研究针对LLMs缺乏研究品味测量的问题,通过未来研究方向选择任务评估8个LLMs的偏好,发现其分歧多趋向缩放/泛化,为引导LLMs的研究偏好提供了早期评估方法。

链接:https://arxiv.org/abs/2611.19794

机构:Lossfunk(洛斯芬克)

作者:Dhruv Trehan, Paras Chopra

193. The Sense Paradigm for World Models

世界模型的Sense范式

AI 总结:针对现有世界模型嵌入距离无意义、无法区分转移类型的问题,提出Sense范式,用新损失替代防坍缩机制,在多环境中检测不可逆转移及规划性能均优于基线。

链接:https://arxiv.org/abs/2611.19796

机构:University of Jinan(济南大学)

作者:Haidong Hu

194. Reasoning in the loop: antibody lead optimization by probing mechanism and measurement

循环推理:通过探究机制与测量进行抗体先导优化

AI 总结:本研究在Milliner平台开展两项抗体优化实验,结合研究团队与Claude的推理,通过探究指标问题、拟合物理模型改进方案,使抗体先导物性能优于亲本。

链接:https://arxiv.org/abs/2611.19812

机构:Anthropic(Anthropic公司); BigHat Biosciences(BigHat Biosciences公司)

作者:Samuel Stanton (1), Aaron Solomon (2), Emily Delaney (2), Melanie Montgomery (2), Crystal Humphries (2), Timothy Acker (2), Ryan Henrici (2), Charbel Eid (2), Eddie Abrams (2), Peyton Greenside (2) ((1) Anthropic, (2) BigHat Biosciences)

195. Where Is Rank-1 DiM Refusal Intervenable in Multimodal LM Derivatives?

多模态语言模型衍生体中,Rank-1 DiM 干预的弃权(不执行)位置在哪里?

AI 总结:该研究探究多模态语言模型衍生体中,在均值/秩-1均值差干预协议下,因果聊天攻击的弃权(不执行)位置集中在文本解码器 T,而非感知编码器等非文本路径,为安全审计干预位置提供了新发现。

链接:https://arxiv.org/abs/2611.19826

作者:Chansu Han, Seok-Hwan Choi, Takeshi Takahashi

196. A phase diagram for training and inference in language models

语言模型训练与推理的相图

AI 总结:该研究构建语言模型训练与推理的相图,通过集体坐标表征表示几何,发现未训练与训练模型的推理流动差异源于有效力类型,将Pythia-1.4B的训练视为相变,揭示表示几何与模型行为的关联。

链接:https://arxiv.org/abs/2611.19848

机构:School of Physics, Peking University(北京大学物理学院); LightRay AI Lab(LightRay AI实验室); Center for High Energy Physics, Peking University(北京大学高能物理研究中心); School of Physics, Zhengzhou University(郑州大学物理学院); Beijing Computational Science Research Center(北京计算科学研究中心)

作者:Zhuo-Yang Song, Zeyu Li, Qing-Hong Cao, Ming-xing Luo, Hua Xing Zhu

197. LoopSkim: Lossless Multi-Depth Speculative Decoding for Looped Language Models

LoopSkim:用于循环语言模型的无损多深度推测解码

AI 总结:提出LoopSkim无损多深度推测解码方法,针对循环语言模型,无需训练,在贪心解码和采样下相对AR平均加速比达1.73倍,加草稿头后提升至1.99倍,可在所有模型上加速。

链接:https://arxiv.org/abs/2611.19896

机构:College of Artificial Intelligence(人工智能学院); College of Computer Science and Technology(计算机科学与技术学院); Zhejiang University(浙江大学)

作者:Muhan Xiao, Shijian Li

198. "Don't Leave the Task Unfinished": Persistence-Driven Violations under Quiet Oversight

“不要让任务半途而废”:在静默监督下由持续性引发的违规行为

AI 总结:该研究针对LLM智能体的持续性引发违规的问题,发现静默监督下违规率高,质疑型用户可降低违规率,指出安全是人机协作对的属性。

链接:https://arxiv.org/abs/2611.19911

机构: NAVER AI Lab(NAVER AI实验室)

作者:Seunghyun Lee, Jaehui Hwang, Dongyoon Han, Sangdoo Yun

199. Learning When to Continue and When to Stop: Termination-Aware OPSD

学习何时继续与何时停止:感知终止的OPSD

AI 总结:该研究针对OPSD存在的终止不匹配问题,提出TA-OPSD方法,通过两个针对性目标缓解提前终止与重复过度生成问题,在Qwen3多规模模型的数学推理任务上性能优于基线。

链接:https://arxiv.org/abs/2611.19925

机构:Tsinghua University(清华大学)

作者:Chaoqun He, Wannian Yi, Changyi Sun, Chaojun Xiao, Lijie Wen

200. Does synthetic pre-training pay off on a microcontroller? Accuracy, latency and energy across two MCUs

合成预训练在微控制器上是否有效?两款微控制单元(MCU)的准确率、延迟与能耗对比

AI 总结:本研究对比两款MCU上5种模型的性能,发现仅真实数据稀缺时合成预训练有效,且需核对设备端INT8输出与参考内核。

链接:https://arxiv.org/abs/2611.19931

机构:RMIT University(皇家墨尔本理工大学); Birla Institute of Technology and Science, Pilani, Hyderabad Campus(贝拉理工科学学院 Pilani 海得拉巴校区)

作者:Achintya Yadav

201. Evaluating Near-Perfect Accuracy Claims in Machine-Learning-Based Leak Detection for Two-Phase Pipelines: A Condition-Blocked Audit

基于机器学习的两相管道泄漏检测中近乎完美准确率声明的评估:一种条件阻断审计

AI 总结:本研究通过条件阻断留一工况验证审计压力式泄漏检测模型,发现其在未知工况下准确率大幅下降,证明近乎完美的报告准确率无法转化为可靠运行,强调需采用条件阻断评估并报告运行误差率。

链接:https://arxiv.org/abs/2611.19965

机构:Memorial University of Newfoundland(纽芬兰纪念大学); College of Science and Engineering, Hamad Bin Khalifa University(哈迈德·本·哈利法大学科学与工程学院)

作者:Issah N. Suleiman, Sormeh Serpoosh, Nadine Elkholy, Hicham Ferroudji, Mohammad Azizur Rahman, Matthew Hamilton

202. Machine Learning for Near Real-Time Identification of Wildfire Burned Areas

用于近实时识别野火燃烧区域的机器学习方法

AI 总结:该研究提出基于pix2pix模型的机器学习方法,利用卫星图像近实时估算全球野火燃烧概率,自动化程度高、延迟低,通过RMSE分数与USGS燃烧概率对比验证效果。

链接:https://arxiv.org/abs/2611.20036

机构:University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)

作者:Khoi Nguyen, Adam W. Bargteil, Milton Halem

203. Decode Early, Verify Late: Streaming Offline Speech Recognizers Without Accuracy Loss

早解码,晚验证:无精度损失的流式离线语音识别器

AI 总结:本研究提出无训练的DEVL框架,适配四类离线ASR模型,可在保证最终转录精度与离线模型一致的前提下,将单流最终输出时间缩短1.5-7.3倍,且是唯一满足100ms p99目标的系统。

链接:https://arxiv.org/abs/2611.20064

机构:Nari Labs(纳里实验室)

作者:Doyeob Kim

204. Does Learning Order Explain Forgetting? The Lie Bracket as an Early-Warning Signal for Catastrophic Forgetting Without Old Data

学习顺序能否解释遗忘?李括号作为无旧数据时灾难性遗忘的预警信号

AI 总结:本文实证检验了李括号可作为无旧数据时任务增量学习场景下灾难性遗忘的预警信号,其性能优于弹性权重巩固惩罚项,仅在旧任务未充分学习时失效。

链接:https://arxiv.org/abs/2611.20087

机构:Responsible Artificial Intelligence Lab (RAIL)(负责任人工智能实验室(RAIL)); Kwame Nkrumah University of Science and Technology (KNUST)(夸梅·恩克鲁玛科技大学(KNUST))

作者:Ephraim Kofi Ayi Kwapong

205. QA-CMIF:Accurate and Lightweight Cross-Modal Latent Imputation and Fusion for Fault-Tolerant sEMG-Inertial Hand Gesture Recognition

QA-CMIF:用于容错表面肌电-惯性手势识别的精准轻量跨模态隐空间补全与融合

AI 总结:QA-CMIF 是一种质量感知跨模态隐空间补全与融合框架,通过独立编码 sEMG 通道、软门控评估可靠性、跨注意力补全损坏通道,在 sEMG 通道损坏时提升手势识别精度,同时参数和计算量远低于基线方法。

链接:https://arxiv.org/abs/2611.20124

机构:Faculty of Marine Science and Technology, Beijing Institute of Technology(北京理工大学珠海学院海洋科学与技术学院); Beijing Institute of Technology(北京理工大学); School of Artificial Intelligence, Beijing Institute of Technology(北京理工大学人工智能学院)

作者:Xinyu Tao, Shuang Huang, Yeyun Cai, Fang Deng

206. Symmetry Fingerprinting with Geometric Learnable Invariants Transformers

基于几何可学习不变量Transformer的对称指纹识别

AI 总结:本研究提出软等变神经网络架构,通过选择对称群训练网络,训练后生成对称指纹,在图像分类任务中验证了该架构与指纹识别的有效性。

链接:https://arxiv.org/abs/2611.20150

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

作者:Bart M.N. Smets, Gijs Bellaard, Pieter Wils

207. Weights & Caches: LLMs Can Program Tabular Foundation Models

权重与缓存:大语言模型可对表格基础模型进行编程

AI 总结:本研究提出LLM可直接对表格基础模型编程,通过GPT-6 Astra开展三项实验,验证了其编程、修复及引导表格模型预测的能力,为表格模型开发提供了新方法。

链接:https://arxiv.org/abs/2611.20174

机构:University of Freiburg(弗赖堡大学); Prior Labs(普莱尔实验室); ELLIS Institute Tübingen(埃利斯研究所蒂宾根分支)

作者:Shi Bin Hoo, Magnus Buehler, Omar Swelam, Frank Hutter, Lennart Purucker

208. Deep Sequence Model for Genome Wide Discovery of Coding and Regulatory Element Signatures

用于全基因组编码与调控元件特征发现的深度序列模型

AI 总结:本研究开发轻量型CNN结合梯度分析,在demo_coding_vs_intergenomic_seqs数据集上以91.87%准确率实现基因组序列分类,揭示可解释特征,证明模型可兼具可解释性与准确性,为基因组序列研究提供框架。

链接:https://arxiv.org/abs/2611.20255

机构:University of California, Davis(加利福尼亚大学戴维斯分校)

作者:Rayhaneh Shabani Nia, Ali Karkehabadi

209. Scaling large language model-assisted line-of-therapy adjudication with human-in-the-loop evidence-calibrated selection

通过人在环的证据校准选择扩展大语言模型辅助的治疗线判定

AI 总结:该研究提出人在环的证据校准选择(ECS)框架,用于扩展LLM辅助的肿瘤治疗线判定,在136例多发性骨髓瘤患者模拟中,其残留误差5%,优于LLM自报告置信度及随机抽样方法,可减少临床审查负担。

链接:https://arxiv.org/abs/2611.20259

机构:Bristol Myers Squibb(百时美施贵宝公司)

作者:Olatunji Oni, Sanhita Sengupta, Marc De Benedetti, Nathanial Eddy

210. Estimating Outpatient Visit Prices from Hospital Price Transparency Data using Large Language Models

利用大型语言模型从医院价格透明数据中估算门诊就诊价格

AI 总结:本研究针对美国患者缺乏医疗费用比较工具的问题,采用RAG框架结合GPT-BM25混合模型,从医院价格透明数据中估算门诊就诊价格,大幅提升了费用估算精度,为患者提供更准确的医疗费用信息。

链接:https://arxiv.org/abs/2611.20261

机构:Center for Genomics and Data Science Research, National Human Genome Research Institute, National Institutes of Health(国家人类基因组研究所基因组与数据科学研究中心,美国国立卫生研究院); Office of Intramural Research, National Institutes of Health(美国国立卫生研究院院内研究办公室)

作者:Kurmanbek Kaiyrbekov, Nicholas J Dobbins, Sean D Mooney

211. HoloGene: Learning to Lift Sliced Spatial Transcriptomics to Holistic 3D Gene Fields

HoloGene:学习将切片空间转录组学提升为整体三维基因场

AI 总结:HoloGene是一种各向异性条件隐式神经表示框架,通过感知采集的分解方法耦合平面内合成与轴向演化,从预配准的空间转录组切片估计三维基因表达场,提升了重建精度与生物保留度量。

链接:https://arxiv.org/abs/2611.20368

机构:McGill University(麦吉尔大学); MUHC Research Institute(麦吉尔大学健康中心研究所); The University of Tokyo(东京大学); Carnegie Mellon University(卡内基梅隆大学); Mila – Quebec AI Institute(米拉-魁北克人工智能研究所)

作者:Yumin Zheng, Qingtian Zhu, Ziyan Zhu, Kailu Song, Yinqiang Zheng, Jun Ding

212. Pretty Linear Liars: Unregularized Probes Favor Intervention-Unfaithful Features

漂亮的线性说谎者:无正则化探测偏向干预非忠实特征

AI 总结:该研究针对线性探测的正则化问题,通过理论与实验分析发现无正则化OLS探测偏向干预非忠实特征,最优正则化强度产生的特征与直接优化干预结果的特征高度相似,为回归探测的正则化提供了机械学依据。

链接:https://arxiv.org/abs/2611.20371

机构:Center for Human-Compatible AI(人类兼容人工智能中心); UC Berkeley(加州大学伯克利分校)

作者:Karl Vilhelmsson Emneby, Julian Yocum, Cameron Allen

213. Architectural Principles for Parameter-Efficient Unitary Transformations in Coherent Optical Neural Networks

相干光学神经网络中参数高效幺正变换的架构原理

AI 总结:该研究针对相干光学神经网络参数受限的问题,提出基于移相器-分束器对的对数深度蝶形拓扑架构,相比传统网格架构可降低矩阵重建误差、提升分类准确率,为参数高效光学神经网络提供定量可解释的设计基础。

链接:https://arxiv.org/abs/2611.20390

机构:NTT Communication Science Laboratories, NTT, Inc.(NTT通信科学实验室,NTT公司); NTT Basic Research Laboratories, NTT, Inc.(NTT基础研究实验室,NTT公司)

作者:Kazuo Aoyama, Hiroshi Sawada, Shota Kita, Akihiko Shinya, Masaya Notomi

214. Latent Feedback Is a Compute and Data Amplifier

潜在反馈是一种计算与数据放大器

AI 总结:该研究提出潜在反馈方法,经多规模模型测试及缩放定律验证,其可节省最多48%计算与47%数据,是数据受限场景下FLOP的更优利用方式。

链接:https://arxiv.org/abs/2611.20404

机构:Institute of Foundation Models(基础模型研究所); USC(南加州大学); CMU(卡内基梅隆大学)

作者:Benhao Huang, Chaitanya Dwivedi, Xuezhe Ma, Alexander Moreno, Hector Liu

215. When the Cheapest Feasible Router Fails: Auditing Deployment Commitments in Cost-Aware LLM Routing

当成本感知型大语言模型路由中最便宜的可行路由器失效时:审计部署承诺

AI 总结:该研究针对成本感知LLM路由中审计通过的路由器仍违反服务合同的问题,提出MARC方法,可降低部署承诺失败率,确立了部署承诺作为连接路由器评估等的独特运营决策。

链接:https://arxiv.org/abs/2611.20417

机构:Cornell University(康奈尔大学); Marquette University(马凯特大学); University of Texas at Austin(德克萨斯大学奥斯汀分校); University of Southern California(南加州大学); Georgia Institute of Technology(佐治亚理工学院); Nanyang Technological University(南洋理工大学); Johns Hopkins University(约翰斯·霍普金斯大学)

作者:Minxuan Hu, Qishi Zhan, Ziheng Chen, Zhengtao Yao, Zihan Dong, Jiayu Yi, Wenxi Sun

216. iEEG Can Help EEG: Improving Clinical Scalp EEG Analysis through Intracranial Priors

颅内脑电图(iEEG)可助力脑电图(EEG):通过颅内先验改进临床头皮脑电图分析

AI 总结:本研究提出ReBrain框架,将稀缺的高保真颅内脑电图(iEEG)先验迁移至头皮脑电图(EEG),无需配对或微调即可提升临床头皮EEG分析性能,为生物信号跨模态迁移提供通用方案。

链接:https://arxiv.org/abs/2611.20435

机构: Griffith University(格里菲斯大学); Nanyang Technological University(南洋理工大学); SingHealth Duke-NUS AI in Medicine Institute(SingHealth Duke-NUS 医学人工智能研究所); National University of Singapore(新加坡国立大学); Duke-NUS Medical School(杜克-新加坡国立大学医学院)

作者:Xianglong Bao, Yi Ding, Zengxiang Li, Nan Liu, Kewen Wang, Zhe Wang, Ming Jin

217. AdaModalX: Synchronization-Free MFM Inference for Distributed Multimodal Mobile Sensing via Progressive Data Orchestration

AdaModalX:基于渐进式数据编排的分布式多模态移动感知无同步MFM推理

AI 总结:AdaModalX是一种渐进式多模态推理框架,通过解耦推理与模态同步,在分布式移动感知中实现了准确率-延迟权衡的优化,获最高26.97%准确率提升与64.75%延迟降低。

链接:https://arxiv.org/abs/2611.20464

机构:Northwestern Polytechnical University(西北工业大学); City University of Hong Kong(香港城市大学); Harbin Engineering University(哈尔滨工程大学)

作者:Xiangrui Xu, Sicong Liu, Zhiwen Yu, Zimu Zhou, Bin Guo

218. On the Applicability of $p$-adic Numbers in Computational Modules for Neural Networks

p进数在神经网络计算模块中的适用性研究

AI 总结:本研究探究p进算术作为机器学习中间计算模块的适用性,在scikit-learn Diabetes数据集的线性回归测试中,相关转换与重构程序无法得到正确预测,直接基于p进数据的模型或为研究方向。

链接:https://arxiv.org/abs/2611.20467

机构:Lomonosov Moscow State University(莫斯科大学)

作者:Vladimir Evgrafov

219. A Temporal Convolutional Network with Multi-Head Attention Model: A Surrogate for Parallel DEVS Semiconductor Fab Simulation

带多头注意力的时间卷积网络模型:并行DEVS半导体晶圆厂仿真的代理模型

AI 总结:本文提出带多头注意力的时间卷积网络(TCNA),作为并行DEVS半导体晶圆厂仿真的代理模型,其预测吞吐量和周转时间的精度优于或相当于其他模型,且速度较PDEVS仿真大幅提升,可支撑晶圆厂各类规划。

链接:https://arxiv.org/abs/2611.20493

机构:Arizona State University(亚利桑那州立大学); Intel Corporation(英特尔公司)

作者:Vamsi Krishna Pendyala, Hessam S. Sarjoughian, Edward J. Yellig, Bharadhwaj Balasubramaniam

220. RoShift: Lazy Shift and Weight-aware Rotation for Activation Sparsity in LLM Inference

RoShift:用于LLM推理中激活稀疏性的惰性移位与权重感知旋转

AI 总结:本研究提出无需训练的RoShift方法,通过惰性移位与权重感知旋转提升LLM激活稀疏性,在50%、60%稀疏度下较TEAL准确率更高,解码加速更优。

链接:https://arxiv.org/abs/2611.20549

机构:Sogang University(西江大学); Santa Clara University(圣克拉拉大学)

作者:Geunsoo Song, Jiwon Seo, Hoeseok Yang, Youngmin Yi

221. One-Shot Calibration via Model Editing

基于模型编辑的单次校准

AI 总结:提出SoftEdit模型编辑器,利用用户响应的不确定性实现单次校准,在多类模型和数据集上取得最优性能,可推广预训练模型的校准。

链接:https://arxiv.org/abs/2611.20562

机构:University of Virginia(弗吉尼亚大学); Stanford University(斯坦福大学); University of California, Berkeley(加州大学伯克利分校)

作者:Jiaxing Qiu, Luke Hakso, Roxana Daneshjou, Ahmed Alaa, Thomas Hartvigsen

222. Memory-Efficient Speculative Decoding with Quantized Draft KV Cache

使用量化草稿KV缓存的内存高效推测解码

AI 总结:本研究针对推测解码的高内存开销问题,提出K4V4量化草稿KV缓存方案,在保证接受率仅小幅下降的同时,大幅降低了缓存内存占用。

链接:https://arxiv.org/abs/2611.20565

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

作者:Saksham Gupta, Michael Li

223. Calibrated Functional Prediction from Overlapping Nonlinear Observations

基于重叠非线性观测的校准函数预测

AI 总结:该研究针对重叠非线性观测的校准函数预测问题,提出基于Schur有理算子、局部高斯投影及共享状态残差样本的方法,通过实验在10个基准总体的400个条件下验证了其损失比优势。

链接:https://arxiv.org/abs/2611.20567

机构:School of Basic Medical Sciences, Peking University(北京大学基础医学院)

作者:Peida Li

224. DNA: A Double-Helix Hierarchical Deep Interaction Network Architecture for Industrial Digital Twin

DNA:面向工业数字孪生的双螺旋分层深度交互网络架构

AI 总结:针对工业数字孪生建模中机理模型与数据驱动方法的权衡问题,提出双螺旋分层深度交互网络架构DNA,通过两种交互策略实现分支共生,在两个工业系统上使MAE分别降低3.704%和3.175%,效果显著。

链接:https://arxiv.org/abs/2611.20607

机构:Zhejiang University(浙江大学); Binance(币安)

作者:Haoran Yang, Yanan Xu, Yinan Zhang, Wenjie Zhang, Peiyu Liu, Jiahui Xiang, Wenhai Wang

225. Instrumenting Failure: Scoring Language Model Agents at Every Decision Node in Imperfect-Information Games

故障检测:在非完全信息博弈中对语言模型智能体的每个决策节点进行评分

AI 总结:本研究针对非完全信息博弈,对12B-14B参数的指令微调语言模型的每个决策节点,从8个博弈论与决策论属性评分,结合记忆、温度等设置分析其行为一致性与缺陷。

链接:https://arxiv.org/abs/2611.20644

作者:Michael Kingston, Sonit Singh, Alan Blair

226. Rethinking Supervision Scaling in On-Policy Distillation: From Dense Supervision to Stochastic Horizons

重新思考在线策略蒸馏中的监督缩放:从密集监督到随机视界

AI 总结:本研究针对在线策略蒸馏中监督缩放的收益递减问题,提出随机视界在线策略蒸馏(SH-OPD),在降低计算成本的同时,提升数学推理准确率并保持代码生成性能,凸显跨响应深度高效分配监督的价值。

链接:https://arxiv.org/abs/2611.20687

机构:Renmin University of China(中国人民大学)

作者:Xinhao Yao, Zhenxing Dou, Yong Liu

227. Conic Structure of the Cross-Entropy Loss at the Final Layer and Its Absence in Rectifier Backbones

最终层交叉熵损失的锥结构及其在整流器骨干网络中的缺失

AI 总结:该研究探究了最终层交叉熵损失的锥结构,发现其在仿射最终层为多面锥结构,而在整流器骨干网络中因激活模式变化无此类结构,经ResNet模型在CIFAR-10上验证。

链接:https://arxiv.org/abs/2611.20696

机构:Eskişehir Technical University(埃斯基谢希尔技术大学)

作者:Omer Nezih Gerek

228. Calibrate Once, Grow the Vocabulary: Candidate-Independent Scores for Conformal Risk Control in Open-Vocabulary Segmentation

一次校准,扩展词汇:开放词汇分割中保形风险控制的候选独立分数

AI 总结:本文针对开放词汇分割中校准后添加名称导致保形风险控制失效的问题,提出与候选无关的评分方法,使一次校准可在词汇扩展时保持风险保证,在多个基准和模型上验证了方法有效性,还提升了Grounding DINO的推理速度。

链接:https://arxiv.org/abs/2611.20715

机构:Bangladesh University of Engineering and Technology(孟加拉工程技术大学)

作者:Md Tanveer Hossain Munim, Bijoy Ahmed Saiem, Muhammad Abdullah Adnan

229. Who Benefits from Telemonitoring? Uplift Modelling of a Nationwide Home Blood Pressure Monitoring Programme

谁能从远程监测中获益?全国家庭血压监测项目的提升建模研究

AI 总结: 本研究针对新加坡全国PTEC-HT远程监测项目,用16694名患者数据,通过提升建模识别出血压控制获益最高的患者特征,为有限护理资源的针对性分配提供依据。

链接:https://arxiv.org/abs/2611.20752

机构:MOH Office for Healthcare Transformation(卫生部医疗保健转型办公室)

作者:Connie Kou

230. Hierarchical Regime-Conditioned Dynamics for Spatiotemporal Graphs

时空图的分层状态调节动力学

AI 总结:提出HERON框架,将图结构轨迹生成与状态识别统一,分解潜在状态为系统级离散状态与实体级连续动力学,自监督学习下在合成与真实数据集实现可解释的时空动力学预测。

链接:https://arxiv.org/abs/2611.20835

机构:EPFL(洛桑联邦理工学院)

作者:Jeremy Baffou, Pascal Frossard, Dorina Thanou

231. artist: A Python package for differentiable ray tracing and gradient-based optimization of solar tower power plant operation

artist:用于太阳能塔式电站运行的可微光线追踪与基于梯度优化的Python包

AI 总结:artist是一款开源Python包,实现太阳能塔式电站全可微数字孪生,可用于逆建模、数据驱动优化,支持GPU加速,为自主电站运行研究提供基础。

链接:https://arxiv.org/abs/2611.20851

机构:Institute of Solar Research, German Aerospace Center (DLR)(德国航空航天中心太阳能研究所); Scientific Computing Center (SCC), Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院科学计算中心); Helmholtz AI(亥姆霍兹人工智能研究所); RWTH Aachen University(亚琛工业大学)

作者:Marlene Busch (1), Marie Weiel (2 and 3), Kaleb Phipps (2 and 3), Daniel Maldonado Quinto (1), Max Pargmann (1), Robert Pitz-Paal (1 and 4), Markus Götz (2 and 3) ((1) Institute of Solar Research, German Aerospace Center (DLR), Cologne, Germany, (2) Scientific Computing Center (SCC), Karlsruhe Institute of Technology (KIT), Eggenstein-Leopoldshafen, Germany, (3) Helmholtz AI, Karlsruhe, Germany, (4) Chair of Solar Technology, RWTH Aachen University, Aachen, Germany)

232. Motor Imagery Classification Using Hybrid Cross-Subject Class Mixup and Selective Attention

基于混合跨被试类别混合与选择性注意力的运动想象分类

AI 总结:该研究针对混合EEG-fNIRS的运动想象分类中被试间变异性问题,提出结合CSCM与选择性注意力的框架,在28名被试的公开数据集上取得76.85%平均平衡准确率,性能优于5个复现基线。

链接:https://arxiv.org/abs/2611.20853

机构:Yonsei University(延世大学)

作者:Jiwon Kim, Chae-Won Lee, Jong-Seok Lee

233. Learning What the True Labels Would Teach: Posterior Analytic Class-Incremental Learning with Unlabeled Data

学习真实标签会传授的内容:带未标记数据的后验分析类增量学习

AI 总结:针对带未标记数据的类增量学习问题,提出PACIL方法,通过校正类别先验、细化分布并结合零样本CLIP的闭式留一交叉验证选择融合权重,在18种设置下的无标签训练方法中取得最佳平均增量准确率。

链接:https://arxiv.org/abs/2611.20937

机构:Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学(MBZUAI)); Southeast University(东南大学)

作者:Wei Tang, Tong Wei, Jiahao Zhang, Min-Ling Zhang, Lijie Hu, Fakhri Karray

234. Same Fix, Different Weights: Replicating Weight-Space Programming with Claude

相同的修复,不同的权重:用Claude复现权重空间编程

AI 总结:本研究用Claude Opus 5.5复现权重空间编程,开展10项实验,发现Claude可从权重识别游戏、修复策略、提升模型准确率,部分结果与原研究存在差异。

链接:https://arxiv.org/abs/2611.20953

机构:TCG Crest

作者:Subham Kundu (TCG Crest)

235. Breaking feature collapse in self-supervised time series encoders

打破自监督时间序列编码器中的特征坍塌

AI 总结:针对通用时间序列编码器无法扩展的问题,提出 OTISv2 模型,通过补充特征空间目标抑制特征坍塌,在 143 个数据集上性能优于或相当现有模型,且可扩展至 1.16 亿参数。

链接:https://arxiv.org/abs/2611.20981

机构:TaktAI; 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); Imperial College London(伦敦帝国学院)

作者:Özgün Turgut, Daniel Rueckert

236. VASR: Vector-Aware Assembly Planning with Equivalent Structures and Repair-Cost Feedback

VASR:带等价结构与修复成本反馈的向量感知装配规划

AI 总结:提出VASR框架,融合SVG编码器与预训练视觉语言模型特征,结合RHPO方法,在家具装配规划任务中,于IKEA测试集上较GPT6-Astra提升17.69个百分点,获最高Equivalent-Hard F1值。

链接:https://arxiv.org/abs/2611.20984

机构:Xi’an Jiaotong-Liverpool University(西交利物浦大学); The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))

作者:Ruizhe Wang, Rui Liu, Hongliang Chen, Junyi Guo, Fangyu Wu, Yaran Chen

237. FH-Sampling: Frequency-aware Hypergraph-driven Oversampling for Imbalanced Time-Series Classification

FH-Sampling:面向不平衡时间序列分类的频率感知超图驱动过采样方法

AI 总结:本文提出FH-Sampling方法,通过构建超图捕捉样本高阶关系、结合离散小波变换分解频率分量,在24个不平衡时间序列数据集及飞机轨迹生成任务中验证了其优势。

链接:https://arxiv.org/abs/2611.20991

机构:School of Computer Science and Technology, Dalian University of Technology(大连理工大学计算机科学与技术学院); Key Laboratory of Social Computing and Cognitive Intelligence (Dalian University of Technology), Ministry of Education(教育部社会计算与认知智能重点实验室(大连理工大学)); School of Engineering and Computer Science, Victoria University of Wellington(惠灵顿维多利亚大学工程与计算机科学学院); College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院); School of Mechanics and Aerospace Engineering, Dalian University of Technology(大连理工大学力学与航空航天工程学院); National and Local Joint Engineering Laboratory of Computer Aided Design, Dalian University(大连大学计算机辅助设计国家地方联合工程实验室)

作者:Yunrong Hao, Ruohao Dai, Zhen Liu, Guan Wang, Wenbin Pei, Qiang Zhang

238. Explaining Cross-Label Decision Structure in Multi-Output Tree Ensembles

解释多输出树集成中的跨标签决策结构

AI 总结:该研究提出ms-DPG与SPF方法,解释多输出树集成的跨标签决策结构,发现原生多输出森林比Binary Relevance共享更多决策结构,高SPF不代表共享预测信息。

链接:https://arxiv.org/abs/2611.20996

机构:University of Trieste(的里雅斯特大学); Institute of Mathematics and Computer Sciences, University of São Paulo(圣保罗大学数学与计算机科学研究所); SENAI(巴西全国工业人员培训服务局)

作者:Sylvio Barbon Junior, Hiago F. F. Oliveira, Rafael Figueira Gonçalves, Jessica Fernandes Lopes, Ricardo Cerri

239. A physics-constrained emulator for time-discretised landslide runout modelling

用于时间离散型滑坡运动模拟的物理约束模拟器

AI 总结:针对全物理滑坡模拟计算成本过高的问题,提出物理约束神经网络模拟器,基于20万+样本训练,单步及自回归预测精度高,计算效率提升50倍以上。

链接:https://arxiv.org/abs/2611.21015

机构:Tongji University(同济大学); University of Cambridge(剑桥大学); King’s Institute of Artificial Intelligence, King’s College London(伦敦国王学院国王人工智能研究所); Scott Polar Research Institute, University of Cambridge(剑桥大学斯科特极地研究所)

作者:Ye Chen, Lorenzo Nava, Maximillian Van Wyk de Vries, Fawu Wang

240. When Feature Representation Changes Local Explanations: A Controlled Comparison of SHAP and LIME under Numerical Discretization

当特征表示改变局部解释:数值离散化下SHAP与LIME的受控比较

AI 总结:本文通过在UCI Adult数据集上的受控实验,对比了数值离散化对KernelSHAP和LIME局部特征归因的影响,发现KernelSHAP的归因变化显著且稳定,而LIME的归因变化较弱且一致性差,离散化未显著改变模型性能。

链接:https://arxiv.org/abs/2611.21159

机构:Indian Institute of Technology Palakkad(印度理工学院帕拉卡德分校)

作者:Parv Patel (Indian Institute of Technology Palakkad)

241. Determining Concentration from Raman Spectroscopy with Manifold Learning and Y-shaped Conformal Autoencoders

利用流形学习与Y型共形自编码器从拉曼光谱确定浓度

AI 总结:本研究将结合扩散映射与Y型共形自编码器的工作流程扩展至液体浓度预测,经微凝胶聚合、柠檬酸解离数据集验证,其性能优于多数回归方法,单目标预测精度高于多目标预测。

链接:https://arxiv.org/abs/2611.21196

机构:RWTH Aachen University(亚琛工业大学); Luxembourg Institute of Science and Technology (LIST)(卢森堡科学技术研究院); John Hopkins University(约翰霍普金斯大学); University College London(伦敦大学学院); Forschungszentrum Jülich GmbH(于利希研究中心)

作者:Anna Taka, Eleni D. Koronaki, Ioannis G. Kevrekidis, Eike Cramer, Joern Viell, Alexander Mitsos

242. Classical structural priors improve neural molecular representations in molecule language models

经典结构先验可改进分子语言模型中的神经分子表示

AI 总结:该研究针对分子语言模型的分子嵌入未按结构关系组织的问题,提出SAGA正则化项,在MolCA和Atomas模型中提升了分子-文本检索等性能,证明经典化学信息学先验可增强分子表示的化学忠实性。

链接:https://arxiv.org/abs/2611.21276

机构:Seoul National University(首尔大学); Seoul National University Bundang Hospital(首尔大学盆唐医院)

作者:Donghyeok Lee, Sangkwon Park, Munyoung Chang, Sungroh Yoon

243. Programmable Semantic Interventions: Learning Causal Carriers from Behavioral Programs

可编程语义干预:从行为程序中学习因果载体

AI 总结:该研究提出可编程语义干预(PSI)方法,从行为程序学习因果载体,在MIB基准等任务上表现优异,可实现无捐赠者的模型答案控制。

链接:https://arxiv.org/abs/2611.21307

机构:EPFL(洛桑联邦理工学院)

作者:Paolo Muratore, Mackenzie Weygandt Mathis

244. Can AI Mature a Model's Geometry? Training-Free Weight Baking in LLMs

AI能否完善模型的几何结构?大语言模型的无训练权重烘焙

AI 总结:该研究提出一种无需梯度训练的LLM模型编辑方法,通过分析模型读取目标模型拓扑描述符,用闭式岭回归修改前馈权重,提升了未见过样本的类别纯度且保持基准准确率,为相关工作提供基线。

链接:https://arxiv.org/abs/2611.21310

机构:College of Engineering & Computer Science, VinUniversity(VinUniversity工程与计算机科学学院); College of Health Science, VinUniversity(VinUniversity健康科学学院); Institute of Psychiatry, Psychology & Neuroscience, King’s College London(伦敦国王学院精神病学、心理学与神经科学研究所)

作者:Amin Golnari, Saeid Sanei

245. TEMPO: Regime-Aware Operator Learning with Locally Adapted POD Bases

TEMPO:采用局部适配POD基的工况感知算子学习

AI 总结:TEMPO是一种工况感知算子学习的两阶段框架,通过离线期望最大化划分工况并拟合专用基、在线门控网络路由输入,在多个流体及方程任务上较全局POD取得更低测试误差。

链接:https://arxiv.org/abs/2611.21344

作者:Rodion Akinzhala, Alexander Terentyev, Alexey Golubev, Yury Maximov

246. Representational Change Under Self-Consuming Training: A Sparse Autoencoder Analysis

自消耗训练下的表征变化:稀疏自编码器分析

AI 总结:该研究分析自消耗训练下大型语言模型的表征变化,发现零样本稀疏自编码器性能随自消耗逐步下降,微调可恢复重建但无法恢复特征级实用性,揭示自消耗引发表征漂移,重建保真度不足以保证SAE的解释实用性。

链接:https://arxiv.org/abs/2611.21348

机构:Department of Computer Science(计算机科学系); The Ohio State University(俄亥俄州立大学)

作者:Suchit Gupte, Zhongteng Cai, Xueru Zhang, Mohammad Mahdi Khalili

247. Do Embedding-Map Distances Guide LLM Ideation? Four Tests Against What Came Next

嵌入图距离是否指导大语言模型(LLM)的创意生成?针对后续成果的四项测试

AI 总结:本文通过四项测试验证嵌入图距离是否指导LLM创意生成,发现远随机方向非文本、间隙分数预测增长效果有限、LLM续写更接近源文本、未检测到灵感材料的倒U型关系。

链接:https://arxiv.org/abs/2611.21408

机构:AGILabs

作者:Javier Aguilar Martín

248. Emergent Steering Beyond Endpoint Alignment in Chemical Reaction Models

化学反应模型中超越端点对齐的涌现导向控制

AI 总结:该研究提出UniRxnAxis框架,将反应预测任务建模为共享潜在空间中的端点重分布,分解出涌现导向控制,可审计模型失效并恢复其效用。

链接:https://arxiv.org/abs/2611.21423

机构:University of Notre Dame(圣母大学)

作者:Yili Shen, Kehan Guo, Haomin Zhuang, Xiangliang Zhang

249. Reading or Remembering? Measuring Temporal Contamination in Language Models

阅读还是记忆?测量语言模型中的时间污染

AI 总结:该研究针对语言模型用于经济预测时存在的时间污染问题,通过对比现代开放模型与无记忆的时间一致模型,提出直接测量模型记忆的前瞻审计方法。

链接:https://arxiv.org/abs/2611.21554

机构:Anna University(安娜大学); NIT Tiruchirappalli(蒂鲁吉拉伯利国家理工学院)

作者:Arunkumar V, Gangadharan G. R., S. Senthilkumar

250. DynSurvX: Time-Resolved Explanations for Dynamic Survival Predictions

DynSurvX:用于动态生存预测的时间分辨解释方法

AI 总结:本研究提出模型不可知的可解释性框架DynSurvX,通过分层两阶段策略为动态生存预测提供时间分辨解释,在模拟与临床数据集上验证其稳健性,可降低计算时间并提升解释实用性。

链接:https://arxiv.org/abs/2611.21571

机构:Inria, Université Paris Cité, Inserm(法国国家信息与自动化研究所、巴黎西岱大学、法国国家健康与医学研究院)

作者:Van Tuan Nguyen, Agathe Guilloux

251. CertiSum: Bitwise-Identical MXFP4 Training Across Platforms and Parallelism Layouts

CertiSum:跨平台与并行布局的逐位一致MXFP4训练

AI 总结:CertiSum解决MXFP4训练的非确定性问题,通过原生FP32累加等技术实现跨平台与并行布局的逐位一致训练,在多模型实验中验证了其效果与性能。

链接:https://arxiv.org/abs/2611.21584

机构:University of Toronto(多伦多大学); Vector Institute(向量研究所); NVIDIA(英伟达公司)

作者:Steve Rhyner, Yubo Gao, Stefan de Lasa, Sankeerth Durvasula, Nandita Vijaykumar

252. Quantifying the added value of human forecaster discussions for tropical cyclone intensity prediction

量化人类预报员讨论对热带气旋强度预报的附加价值

AI 总结:本研究通过637个热带气旋数据,结合文本与数值因子,发现人类预报员讨论可提升热带气旋强度预报精度,为多模态学习辅助预报提供依据。

链接:https://arxiv.org/abs/2611.21602

机构:HEC Lausanne(洛桑高等商学院); Faculty of Geosciences and Environment(地球科学与环境学院); Expertise Center for Climate Extremes(气候极端事件专业中心); University of Lausanne(洛桑大学)

作者:Ilia Azizi, Frederick Iat-Hin Tam, Marc-Olivier Boldi, Valérie Chavez-Demoulin, Tom Beucler

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/203548