基于机器学习的可扩展应力约束拓扑优化：超分辨率与同步优化方法
研究者提出了同步神经拓扑优化（SNTO）框架，利用自定义神经网络联合优化状态、伴随和设计变量，以解决大规模应力约束拓扑优化计算成本高的问题。该方法结合连续伴随分析与自动微分，并通过硬件感知训练方案将设计域划分为子域分布在最多 8 块 GPU 上。实验显示，SNTO 相比传统有限元方法能生成边界更清晰、灰度区更小的超分辨率设计，并可扩展至包含多达 800 万个配置点的 3D 问题。
全部AI 动态
全部动态
今日 80 条arXiv cs.LGAI 评分3434 arXiv cs.LGAI 评分2828 基于 FPGA 与集成电路平台的强化学习硬件加速及系统级优化综述
一篇新发表的综述系统分析了基于 FPGA 与集成电路（IC）平台的强化学习硬件加速及系统级优化进展，汇总了超过 100 项相关研究。文献梳理涵盖基于模型的马尔可夫决策过程、深度强化学习、Actor-Critic、策略梯度及多智能体方法，剖析算法向可重构与固定硬件的映射。评测维度覆盖资源利用率、延迟、吞吐量和功耗等指标，并总结了通用架构模式与未来研究方向。
arXiv cs.LGAI 评分2626 用于参数高效 PPG 心率估计的交互门控时频学习框架 TF-IG
研究者提出了参数高效的交互门控时频学习框架 TF-IG，用于基于 PPG 信号的心率估计。该模型采用双分支架构分别提取时域脉搏形态与频域周期信息，并通过交互门控融合模块建模特征一致性与差异性。在 BIDMC 数据集测试中，TF-IG 仅包含 84.6K 参数量，取得了 1.227 BPM 的 MAE 与 2.060 BPM 的 RMSE，皮尔逊相关系数达 0.9934。
arXiv cs.LGAI 评分4444 KVLearn：分离式 LLM 推理系统中基于学习的 KV cache 保留框架
研究人员提出基于学习的成本感知 KV cache 保留框架 KVLearn，用于优化分离式 LLM 推理系统中的缓存准入与保留决策。该框架通过前缀复用预测器、成本感知保留评分和自适应阈值控制器协同工作，无需修改模型权重。评测显示，KVLearn 相比 LRU-Pool 将端到端首字延迟（TTFT）降低最高 38%，并减少最高 53% 的节点间传输量，代码已开源。
OpenAI NewsAI 评分1616 OpenAI Decisions API：构建响应更迅速的应用
OpenAI 推出 Decisions API，旨在为各类应用程序提供快速、专注且低成本的决策能力，帮助开发者构建响应更迅速的应用。
AWS Machine Learning BlogAI 评分5454 如何在 Amazon SageMaker AI 上利用 Kokoro TTS 实现智能体低延迟语音流式传输
AWS 介绍了在 Amazon SageMaker AI 上通过双向流部署 Kokoro-82M 语音合成模型的低延迟方案，智能体每生成完一个单句即刻启动合成，无需等待完整回复生成完毕。
AWS Machine Learning BlogAI 评分3737 如何在符合 HIPAA 规范的环境中通过 Amazon Quick 部署 AI
Amazon Quick 作为符合 HIPAA 资质的智能体工作区，支持在 Web、桌面和移动端通过聊天智能体处理临床记录等非结构化内容与理赔等结构化数据。该服务提供预置连接器与基于 MCP 的自定义工具扩展，并具备 ACL 感知检索、聊天日志审计及行为护栏等治理能力。用户需在 AWS Artifact 签署 BAA 并完成权限与安全配置，以构建合规的工作流。
AWS Machine Learning Blog精选AI 评分6565 Amazon SageMaker 推出训练会话 API，无需管理 GPU 即可编写自定义训练循环
Amazon SageMaker AI 推出训练会话 API（training session APIs），允许开发者在本地 Python 环境编写自定义训练循环，并将 GPU 算力执行完全托管在云端。
推荐理由：该 API 将算力调度与训练控制流解耦并按 Token 计费，让开发者无需运维 GPU 即可低门槛实现自定义对齐与强化学习算法。
AWS Machine Learning Blog精选AI 评分6565 Amazon SageMaker AI 推出无服务器训练会话功能：免管理 GPU 定制模型
Amazon SageMaker AI 正式推出无服务器模型定制的训练会话（training sessions）功能，允许开发者在无需管理 GPU 集群和分布式配置的情况下，通过代码灵活控制后训练循环与奖励函数。
推荐理由：原文展示了如何通过 Serverless 架构托管底层算力调度，让开发者直接用代码灵活控制多轮强化学习训练循环。
AWS Machine Learning BlogAI 评分3939 IskayPet 如何利用 Amazon Bedrock Managed Knowledge Bases 统一企业知识库
宠物护理公司 IskayPet 基于 Amazon Bedrock Managed Knowledge Bases 构建了企业知识库助手，无需自行管理向量数据库和数据摄取等 RAG 基础设施。
AWS Machine Learning BlogAI 评分5555 Amazon Polly 生成式语音引擎迎来重大升级
Amazon Polly 宣布对其生成式语音引擎进行重大升级，在保持现有 API 调用和价格不变的前提下，提供更自然、更准确的低延迟语音输出。本次升级新增覆盖 9 个区域的 14 种新声音，首次正式支持印地语和芬兰语，使生成式语音库扩展至 11 种语言共 57 种声音。系统显著优化了数字、货币及地址的朗读准确率，并在 11 个 AWS 区域正式可用。
AWS Machine Learning BlogAI 评分4545 Rescale 如何借助 Strands Agents 和 AI-DLC 构建 AI 分诊智能体
Rescale 基于开源的 AI-DLC 软件开发方法论，在 5 天内完成了端到端测试故障分诊智能体的预发布部署。该智能体运行于 Amazon EKS 上的 Argo Workflows 流水线，调用 Amazon Bedrock 上的 Claude Opus 4.8 自动分类根本原因，并通过 MCP 查询 Pod 日志以生成修复报告。系统在数秒内即可完成处理并输出报告，数周内已推向生产环境。
AWS Machine Learning BlogAI 评分4444 别再凭空猜测 Amazon SageMaker AI 上的 TTS 自动扩缩容目标了
AWS 针对 Amazon SageMaker AI 上的 TTS 部署提出基于实测指标的自动扩缩容方案，以取代传统凭空猜测配置的做法。该方案以 82M 参数的非自回归模型 Kokoro-82M 为例，利用其实测的最大并发量 Q_max 与扩容耗时 T_total 计算扩缩容阈值。
OpenAI NewsAI 评分4848 Uber 携手 OpenAI 向全体员工推广 ChatGPT Work
Uber 正在向超过 30,000 名员工推广 OpenAI 的 ChatGPT Work。该工具将协助团队进行研究、分析数据、制作演示文稿并完成各类复杂的工作流程。
Microsoft Research精选AI 评分7171 微软研究院推出 Flint-interactive 交互式数据可视化语言
微软研究院推出 Flint-interactive，这是一种基于 Flint 的交互式数据可视化语言，使 AI 智能体能够更可靠地生成支持点击、过滤、缩放和跨图联动的交互式图表。
推荐理由：原文通过编译器解耦交互语义与底层渲染逻辑，为解决智能体生成交互式图表时调试成本高和布局易出错提供了实用方案。
Google DeepMind精选AI 评分6565 Google DeepMind 联合发布 10 米分辨率全球森林类型地图 ForTy
Google DeepMind、Google Research 联合 WRI 与 IIASA 发布全球森林类型地图 ForTy 2020 及 2017 至 2025 年年度时间序列，以 10 米分辨率将全球土地划分为原始林、人工林等六类。
推荐理由：该研究提供了十米分辨率区分天然林与人工林的监测基准，可用于追溯林地历史变化并辅助环境监管合规。
NVIDIA BlogAI 评分4848 NVIDIA 推出 Minerva 平台，为 AI 工厂提供端到端可观测性
NVIDIA 正式推出 AIOps 平台 Minerva，旨在通过端到端可观测性帮助团队及早发现故障并维持 AI 工厂的生产力。该平台整合 GPU、网络、存储与调度信号构建动态知识图谱，每小时分析数十亿个数据点，可聚合警报并预测潜在故障。此外，Minerva 配备原生 AI 助手并支持智能体工具，Tesla、IBM、Dell Technologies 等合作伙伴已计划部署或集成。
OpenAI NewsAI 评分1717 OpenAI 的前向部署工程（FDE）意味着什么
OpenAI 阐释了前向部署工程（forward deployed engineering，简称 FDE）在其组织体系中的具体定义与含义。
Cloudflare Blog精选AI 评分6262 Cloudflare 与 VoidZero 推出 TypeScript 的 Rust 移植版本 tsrs
Cloudflare、VoidZero 与 Max Schwenk 合作推出 TypeScript 编译器的 Rust 移植版本 tsrs，并作为 Oxc 工具链的一部分进行孵化。
推荐理由：原文给出了早期性能与内存对比数据，读者可以据此评估将 TypeScript 编译链迁移至 Rust 与 Wasm 环境的实际收益。
Cloudflare Blog精选AI 评分6161 Commerce.com 与 Cloudflare 如何让电商站点适配 AI 智能体
Cloudflare 与电商平台 Commerce.com 合作落地 WebMCP 浏览器标准，使平台近 100,000 个商户域名无需修改前端代码即可向 AI 智能体提供结构化调用工具。
推荐理由：文章展示了如何利用边缘规则为数十万多租户站点批量注入 WebMCP 工具，为电商平台低成本适配智能体购物提供了落地路径。
arXiv stat.MLAI 评分2525 序贯稀疏高斯过程分位数回归方法
研究人员提出了一种用于分位数回归的序贯稀疏高斯过程框架，通过诱导变量与拉普拉斯近似实现高效的后验推断与不确定性量化。该方法将预测不确定性分解为条件先验方差和后验诱导方差，驱动自适应的诱导输入填充与数据采集，将计算资源集中于主要不确定性来源并自适应控制模型复杂度。实验和船舶耐波性应用表明，该策略在有限仿真预算下优于预定义采集及文献中的重复采样方法。
arXiv stat.MLAI 评分2424 再生核巴拿赫空间中具有样本路径的高斯过程研究
该研究探讨了高斯过程与再生核巴拿赫空间中高斯随机元之间的联系。作者证明了此类空间上弱二阶 Radon 概率测度的协方差算子由对称正定函数唯一确定，并在高斯情形下利用 $\gamma$-radonifying 算子表征了由协方差算子生成的函数。基于这些结果，研究进一步将 Driscoll 定理推广到了再生核巴拿赫空间环境。
arXiv stat.MLAI 评分3333 FRESH：基于信息几何将患者级模型校准至汇总证据
研究人员提出了 FRESH 方法，通过信息几何将人群层面的汇总结果（如已发表的临床试验或注册库摘要）整合到基于患者级数据训练的生成模型中。该方法能在信息几何意义上对原始联合分布进行极小扰动，使再校准模型匹配目标人群的汇总统计数据，生成患者级预测或用于后训练更新。该技术可应用于单臂临床试验背景分析、试验设计模拟及上市疗法有效性对比。
arXiv stat.MLAI 评分3434 用于学习稳定二值表征的复合激活函数
研究人员提出重尾激活函数（HTAF），作为 Heaviside 函数的平滑近似，以实现二值表征的稳定梯度优化训练。该函数由 Sigmoid 与双曲正切复合而成，在零输入附近保留较大梯度且尾部衰减更慢，能稳定训练脉冲神经网络与二值神经网络。基于此构建的隐式概念瓶颈模型（ICBM）实现了特征离散化，在图像数据集上取得媲美或优于标准模型的预测表现。
arXiv stat.MLAI 评分3737 具备随时有效保证的 AI 系统自适应审查
研究者提出了一种具备随时有效保证的 AI 系统自适应审查框架，利用安全随时有效推断（SAVI）与同步 e-processes 构建对决假设检验。该框架将审计过程形式化为通过下注进行检验，通过审计即可在理论上证明系统具备全局鲁棒性。实验表明，该方法能严格控制随时有效的 I 类错误，性能优于预设测试，有时仅需 20 个样本即可得出严谨结论。
arXiv stat.MLAI 评分3131 面向标签噪声分类的模型无关信息迁移与融合
针对大规模含噪标注数据与少量专家验证干净数据共存的场景，该研究提出了一种通用的模型无关非参数分类框架。该方法利用小规模干净数据集提纯大规模含噪数据，并精细处理剩余的模糊样本，克服了传统方法对参数相似性假设的依赖。该框架拥有严谨的统计理论支撑，已在模拟实验及肺炎诊断医疗影像分析中验证了实际性能。
arXiv stat.MLAI 评分3737 MoE Transformer 的泛化与缩放定律研究
研究者提出了针对 MoE Transformer 的泛化与缩放理论，将每个输入的激活容量与路由组合机制有效解耦。通过推导覆盖数界并结合经验风险最小化（ERM）分析，证明其逼近与估计误差权衡在计入激活参数后与稠密网络一致，并证明误差可通过扩展激活容量或增加专家数量来降低。该研究据此推导出了涵盖模型规模、数据量及计算最优权衡的神经缩放定律。
arXiv stat.MLAI 评分2525 二值语义分割在模拟类别不平衡与标签偏移下的主动学习研究
研究人员针对机器视觉中缺陷样本稀缺与存储受限导致的偏差问题，提出了一套基于两个开源数据集的受控可复现实验方案，用于模拟不同程度的类别不平衡与标签偏移。实验对比了随机采样、基于熵的选择、核心集选择以及感知不平衡的 galaxy 采样四种主动学习策略。结果表明，基于熵和核心集的选择在高不平衡数据下依然优于随机采样，并量化了严重标签偏移带来的效率损失。
arXiv stat.MLAI 评分2828 协变量辅助图匹配研究
针对含有节点和边协变量的带种子图匹配问题，该研究提出了基于二次分配问题（QAP）的全局方法和基于种子邻域的可扩展局部方法。该框架支持通过广义线性模型至机器学习方法整合协变量，并推导了广义线性模型的估计误差率及 QAP 精确恢复真实对应关系的充分条件。仿真实验与学术谱系网络匹配均证实引入协变量能显著提升匹配表现。
arXiv stat.MLAI 评分3333 用于可解释多变量时间序列异常检测的结构化时序因果框架 OracleAD
研究人员提出了用于多变量时间序列异常检测的无监督框架 OracleAD。该方法将每个变量的历史序列编码为因果嵌入向量以联合预测当前时间点并重构输入窗口，并通过自注意力机制将其映射到共享潜空间并与代表正常关系的稳定潜在结构（SLS）对齐。系统基于预测误差和 SLS 偏离度实现双重评分与细粒度归因，在多个真实数据集和评估协议上达到 SOTA 水平。
arXiv stat.MLAI 评分3434 记忆长尾数据可通过组合提升模型泛化能力
记忆长尾数据与简单组合的协同作用能提升模型泛化能力。理论证明，在线性设定下，记忆结合组合能力可帮助模型在测试中对包含多个长尾特征组合的罕见样本做出正确预测，即便该特征组合从未在训练数据中出现。简单数据上的神经网络架构实验表明，该结论可拓展至线性设定之外，且模型的组合能力取决于其网络架构。
arXiv stat.MLAI 评分2929 熵正则化变分目标次优性的可计算度量：核梯度差异 KGD
研究者针对熵正则化变分目标引入了名为“梯度差异”的新型次优性度量，并提出可显式计算的核梯度差异（KGD）。在无法获取未归一化密度函数的情况下，KGD 支持开发并对比新型采样算法，包括 Stein 变分梯度下降的推广，并已应用于平均场神经网络和预测导向后验。理论上，该工作确立了 KGD 具备连续性及收敛控制等性质的充分条件。
arXiv stat.MLAI 评分3636 合成数据能否复现流行病学真实结果？基于对抗随机森林的复现研究
研究提出利用对抗随机森林（ARF）合成流行病学表格数据，并在涉及血压、心肌梗死与糖尿病等 6 项流行病学研究中成功复现了原始统计分析。实验表明，ARF 生成的数据在描述性和推断性分析中均与真实结果高度一致，即使样本量相对维度偏低也表现稳定。对比常用表格合成工具，ARF 在数据效用、隐私保护、泛化能力及计算效率上均展现出显著优势。
arXiv stat.MLAI 评分2626 用于非平稳时间序列条件独立性检验的动态广义协方差测度
研究人员提出了首个适用于单次实现的非平稳非线性过程的条件独立性检验框架。该检验基于动态广义协方差测度，针对期望条件协方差在部分时刻非零的备择假设具备检验功效。其关键技术包括时变非线性回归、误差过程乘积的局部长期协方差矩阵估计，以及分布一致的强高斯逼近。
arXiv stat.MLAI 评分3131 优化保形选择（OptCS）：数据驱动打分构建下的高效选择性推理
研究者提出了通用框架 OptCS，能在灵活的数据驱动打分构建后进行有效的多重检验，并在大幅复用数据的情况下控制有限样本的 FDR。该框架给出了候选打分函数筛选、无需样本分割的全标注数据训练，以及二者结合的三种具体控制程序。仿真实验以及药物发现与大语言模型实际应用证明了该方法的有效性。
arXiv stat.MLAI 评分2727 基于动态权重解决标签不平衡的100种语言多标签情感分析
研究人员提出一种支持100种语言的多标签跨语言情感分析框架，通过动态加权方法在训练中平衡各类别贡献，并引入适应多标签场景的 focal loss。该方法还包含可在现行时间复杂度内最大化 macro-f1 分数的类别阈值选择机制，单个模型在3种语言的9项指标中有7项达到SOTA性能。相关模型代码已公开发布。
arXiv stat.MLAI 评分3131 选择后泛化的局限性
一项新理论研究揭示了满足选择后泛化（又称事后泛化）算法的若干核心局限。研究证明，在回答自适应选择的统计查询时，任何满足事后泛化的算法误差都存在紧确下界，构成了该领域发展的关键障碍；同时还证明事后泛化在复合运算下并不封闭。
arXiv stat.MLAI 评分3434 保留还是适应？泛化持续学习
新研究质疑了持续学习过度注重缓解灾难性遗忘的传统设定，指出非平稳环境中保留旧知识会阻碍实时适应。研究提出迁移效率指标与关键任务持续时间阈值，量化了历史知识由预热优势转为优化负担的临界点。团队还提出了预测性持续学习（Predictive Continual Learning）框架与 Window 算法，在图像分类与强化学习基准上验证了其适应优势。
arXiv stat.MLAI 评分2727 Bandit 反馈下多变点识别的样本复杂度研究
针对在 Bandit 反馈下定位分段常数函数多个变点的任务，研究者提出了一种先检测变点候选区间再逐步精细化定位至目标精度 $\eta$ 的自适应算法。该研究建立了非渐近样本预算的理论上下界，打破了以往认为渐近复杂度仅由跳跃幅度决定的认知，理论与实证均表明在一般置信度 $1-\delta$ 与精度 $\eta$ 下，样本复杂度由跳跃幅度与变点相对位置共同决定。
arXiv stat.MLAI 评分3131 在高斯过程情境老虎机优化中利用凹性信息
研究人员提出一种利用凹性信息的高斯过程（GP）情境老虎机算法，将贝叶斯 GP 后验以凹性约束为条件来提升优化效率。该方法结合保持凹性的回归样条基构建出具备理论遗憾保证的 UCB 算法，性能不劣于且在凹性信息有效时严格优于标准 GP-UCB。基准测试与 Warfarin 给药应用实验表明，该算法大幅降低了累积遗憾。