Google Research 联合多家机构发表研究，证实其 AI 系统能直接解读非专业医护人员采集的盲扫超声，并在移动设备上实时评估胎儿孕周。在跨越美国与肯尼亚的前瞻性临床测试中，该模型评估孕周的平均绝对误差为 4.18 天，表现不劣于专业超声医师测量的 4.48 天，且在胎儿体重极端等复杂场景下保持良好鲁棒性。这项技术结合便携式探头，有望显著降低操作门槛并扩大低资源地区的产前筛查覆盖率。
推荐理由：原文展示了 AI 算法配合盲扫超声在多地真实临床中的泛化表现，为低资源环境利用便携设备普及产前筛查提供了实践参照。
OpenAI、PerturbAI 与 Scripps Research 合作利用分布式 AI 智能体，从数百万个脑细胞的数据中发掘出有前景的研究线索。该项目展示了如何通过部署数千个 AI 智能体加速生物学数据的分析与研究发现。
研究人员探讨了具有 Kerr 非线性的各向异性 Dicke 量子电池中相变对充电过程的影响。研究发现，在多重近似简并区域之外，稳定储能主要受遍历-非遍历相变控制，而在该区域内则由一阶和二阶耗散相变主导。研究还结合强化学习优化了量子电池的充电过程，为基于内禀相变行为调控与提升量子电池性能提供了可行路径。
针对动态量子网络中多请求竞争链路容量与量子存储的问题，研究团队提出了基于混合整数线性规划（MILP）以及 DQN、PPO 和 SAC 的强化学习（RL）纠缠提纯调度器。
研究人员提出了一个结合软定律约束与路径相关监督的统一框架，用于从分布观测和离散轨迹中学习随机动力学。该方法将任务形式化为离散路径相关的 McKean-Vlasov 控制问题，其最优化系统表现为带有条件伴随跳跃的 McKean-Vlasov 前向-后向随机微分方程（FBSDE），并配备了因果表征的神经求解器。
研究者提出 HCW-GLB-OMD 算法，用于解决带对抗性污染的异方差广义线性老虎机问题。该算法将基于在线镜像下降（OMD）的估计器与基于 Hessian 矩阵的置信权重相结合。
研究者提出了时间序列预测的鲁棒残差修正框架 CRC，将混合修正器与验证集校准的选择性部署规则结合。该方法采用保守的岭回归基底加条件非线性细化，仅在留出集证据表明可降低误差时才应用修正，避免弱信号下的过拟合。在标准长序列基准测试中，CRC 改善了多数数据集的平均 MSE 和 MAE，并在 Traffic 数据集上实现了超过 20% 的相对 MSE 降低。
研究证明只有当损失函数为 0-1 损失的正倍数加标签相关偏移时，按 WDRO 风险排序才等价于按鲁棒准确率排序；在交叉熵等损失下，具备完美鲁棒准确率的假设反而可能承受更高 WDRO 风险。
决策曲线与成本曲线是评估临床预测模型在不同决策阈值下净收益与损失的两种方法，研究证明决策曲线与名为 Brier 曲线的特定成本曲线密切相关。在任意给定阈值下，决策曲线所用的净收益与 Brier 曲线所用的 Brier 损失始终会选出相同的最优模型。论文还提出以上包络决策曲线展示通过重新校准可获得的最大净收益。
《联邦学习：从理论到实践》新书预印本上线 arXiv，全书共 252 pages，系统介绍如何构建保护隐私且可扩展的联邦学习系统。该书重点聚焦个性化联邦学习，通过网络带权边编码设备间的任务相似度与通信链路，并将个性化模型训练构建为广义全变差最小化（GTVMin）分布式优化问题。内容面向学生、工程师与研究人员，兼顾图学习与优化理论的数学基础与实践应用。
研究人员提出一种基于权重空间学习的迁移学习方法，通过生成 PEFT 参数分布为少样本下游任务提供可验证的理论泛化保证。该方法利用扩散模型从上游任务学习 PEFT 参数分布，并在下游数据中通过采样与评估筛选出似然最高的参数。相比神经网络权重典型的连续假设空间，将假设限制在有限样本内能提供更紧的风险认证。
研究者提出一种自适应算法，通过结合评分与成对比较两种人类评估形式，在有限预算下从候选池中选出前 k 项最优目标。该算法前期利用评分快速筛选，随后通过具有前瞻性的代理目标策略结合成对比较细化排序，并在后期自适应切换至近视策略。理论证明该决策规则具备渐近一致性，模拟实验表明其性能优于现有基准。
研究人员提出一种名为比例包容边际效应（PRIME）的新度量方法，用于衡量统计学与机器学习中的变量重要性。该方法利用新型无模型变量选择技术识别活跃变量，并仅将其纳入计算，克服了比例边际效应（PME）计算成本高且仅适用于确定性模型的局限。测试函数和真实数据集分析表明，PRIME 能准确可靠地从含噪声的输入输出数据中量化变量重要性。
研究人员提出多边缘逆最优传输对比学习方法 Neg-MMIOT-CL，通过设计三元组基础代价将多边缘最优传输全局耦合集中在锚点-正样本-负样本三元组上，有效缓解了传统方法因缺少负样本导致的维度坍塌问题。团队还证明了该方法在特定代价下可呈现神经元坍塌现象，并推出计算效率更高的替代方案 Neg-IOT-CL-PushPull。合成与真实数据集实验表明，该方法性能显著优于现有基于最优传输的对比学习方法。
研究人员提出稀疏地标嵌入（SLE）核框架，通过以全部 |D| 个训练点为中心的紧支撑隆起函数将输入映射为稀疏特征向量，彻底消除了高斯过程等核方法对条件负定（CND）距离的依赖。该方法在任意距离度量下均可证明保持半正定性（PSD），并具备通用逼近能力与计算可控的良态条件。实验显示，SLE 核在使用测地线距离和 Wasserstein 距离时的预测精度与不确定性量化均匹敌或大幅超越领域特定基准。
研究人员提出用于小样本分子分类的特征选择框架 ARISE，结合了相关性信号、类别平衡稳定性评估、残差冗余控制与多分类成对覆盖。在 5 个分子数据集与 21 万次留出评估中，ARISE 在全部 15 组数据集与指标组合中均位列第一。
研究提出将基于密度的聚类与鞅后验分布相结合，实现了可扩展的贝叶斯式聚类不确定性量化。该方法通过模型得分函数驱动的完全并行化预测重采样评估密度不确定性，可直接适配归一化流等现代可微密度估计器。在图像与单细胞 RNA 测序数据实验中，该方法在单张 GPU 上数分钟内即可完成计算，并有效恢复有意义的聚类结构。
研究人员提出了针对右截尾数据的半参数深度神经网络模型 FLEXI-Haz，在对数风险中将可解释的线性部分与时间和调整协变量的灵活函数相结合，允许非比例冗余效应并保留可解释的回归参数。在正则条件下，该模型实现了回归参数的根号 n 一致、渐近正态且半参数有效估计，并能为个体生存概率构建渐近有效的逐点置信区间。模拟与 Rotterdam 乳腺癌数据分析表明，在时变冗余效应下其偏差更低且覆盖率更优。
研究人员提出一种通过在未知数量的线性动态体制间切换来建模无限时间序列聚类演变的方法。该方法将分层狄利克雷过程作为切换线性动态系统参数的先验，并结合高斯过程先验建模各聚类内部的振幅与时间对齐变化，以避免聚类非必要扩散。团队构建了适用于离线与在线场景的变分下界优化推理，并在公开心电图数据库的案例中验证了其有效性。
针对带标签目标数据的监督迁移学习，一项理论研究揭示了收敛速率的二分现象：即最优速率仅由单侧数据决定的“弱迁移”机制，以及结合源数据与目标数据互补信息以实现更快收敛的“强迁移”机制。研究提出了弱/强迁移模数来刻画两类分布关系，并设计出一种无需先验分布知识即可在各机制下保持近乎最优的通用算法。
研究提出从熵优化视角量化对抗算法，以数学准则证明对抗攻击的全局最优性与唯一性，并构建出能生成最优训练数据点的自攻击学习算法。该算法仅需极少训练数据即可训练复杂系统中的最优控制，且在水动力学和生物医学的真实及合成问题中，模型复杂度大幅降低。其预测性能与复杂度表现超越了提升随机森林、深度神经网络及基于 Transformer 架构的基础模型。
研究者提出了 Binary Discrete Diffusion，一种将每个位置的噪声状态表示为二进制候选 token 集合的连续时间离散扩散模型。该方法通过增删候选集合逐步损失和恢复信息，使扩散状态能显式表达部分未确定的不确定性。
研究通过几何框架探讨了神经网络模型是否会偏好其子模型，即损失函数的局部极小值是否落在子模型中。研究表明浅层多层感知机中含未激活隐藏神经元的子网络绝不会被偏好，并给出了深层多层感知机不偏好此类子网络的条件；对于 lightning 自注意力机制，低秩子模型通常也不被偏好。结果指出除少数位于模型边界的特例外，模型对子模型的偏好无法仅通过模型几何结构解释，必须归因于训练动态等其他因素。
研究人员针对结合图滤波器与图神经网络的连续时间生成模型，提出了用于图信号生成的稳定滤波器设计框架。该研究推导了量化图扰动对生成信号分布影响的 Wasserstein 稳定性界限，并提供了一类兼具可证明稳定性与信号平滑平衡的多项式滤波器。合成图与真实 fMRI 信号的实验表明，该方法在保持生成性能的同时增强了结构稳定性。
研究探讨了在共享条件标签分布下，使用合成数据训练的二分类器能否成功迁移至真实数据分布。理论表明，当真实分布超出合成数据范围时，合成数据风险无法单独控制真实误差，对抗分类器在合成域误差仅 0.5% 却在真实域达到 99.25% 误差；但在 Lipschitz 条件下仍可恢复迁移误差界。
该研究将分类器聚合理论推广至多分类场景，证明了在 0/1 损失下最优聚合收敛率与类别数 K 无关。在此损失下，ERM 聚合在模型选择中达到速率最优，在凸聚合中仅相差 sqrt(ln(K)) 因子。针对多项逻辑损失下凸包内正常聚合率随 K 恶化的局限，提出的非正常概率混合聚合恢复了与 K 无关的最优收敛率。
研究对比了四种序列保形回归方法与加权全保形基准在数据流中的经验覆盖率、区间宽度和计算成本。实验在合成分布偏移与四个真实数据流中表明，同时调整回归模型和保形阈值能显著改善漂移下的覆盖率与宽度权衡。其中分位数追踪方法单步仅需 $O(p^2)$ 时间和内存，且与流长度无关，但在突变后覆盖率可能出现退化。
针对扩散模型采样阶段的隐私损失，研究者构建了免训练的裁剪经验去噪器，通过显式计算单步敏感度实现差分隐私核算。研究发现隐私损失在语义内容形成的关键窗口期急剧上升，据此设计了前段采用私有经验去噪、后段切换至公开神经去噪的混合采样器。CIFAR-10 和 CelebA-64 实验表明，采样时策略同样直接影响扩散模型的隐私性。
研究人员提出了已投入实际部署的系统 Pattern Intelligence，通过无监督方式识别医疗收入周期管理中的系统性拒付与少付模式。该系统将索赔映射为 130 维向量并基于 HDBSCAN 聚类裁定行为，再由大语言模型将聚类中心转化为包含主要程序与失效模式的分析报告。在涵盖约 10K 与 157K 索赔的生产租户评估中，研究发现约三分之一至二分之一的高金额拒付属于无法聚类的长尾问题。
研究人员提出了用于多视角多队列数据整合的二维增强缩减秩回归（baRRR）方法，填补了现有双维度整合多为无监督且忽略协变量信息的空白。该方法能同时对协变量相关与无关效应进行建模，并在两个维度上分解全局、部分共享和个体层面的效应。仿真实验与 TCGA 癌症数据应用表明，该方法在信号恢复、结果预测及缺失数据填补方面均具备显著优势。
研究者提出了用于空间与时空点过程模型的分治神经贝叶斯估计框架，以解决似然推断计算受限及训练开销大的问题。该方法直接基于原始点模式实现，在时空域分区上采用 Transformer 架构，并通过注意力机制最优组合局部提取的统计摘要。实验表明其具备更优的可扩展性，在科德角湾鲸鱼呼叫数据分析中，训练后的估计器以可忽略的计算成本输出了参数估计与可信区间。
研究者提出了一种实用的端到端 POMDP 算法，利用序贯蒙特卡洛（SMC）近似求解隐状态滤波、在线更新潜动力学模型，并执行基于 QMDP 近似的 d 步在线规划与状态价值 critic 自举。理论上证明了端到端遗憾界，将其分解为模型估计、粒子滤波、蒙特卡洛展开及规划深度可控的结构偏差等误差项。该算法在基于 MPC 的深度强化学习框架中实现，并在多种环境下验证了实用性。
研究人员提出一种用于随机优化中多保真度估计的主动导引采样框架，以降低高保真非线性模型在采样不确定性量化时的计算成本。该方法通过矩阵对数变换的相关性与对数标准差构建正定参数化，学习模型输出协方差矩阵的概率仿真器，并利用主动学习采集函数将导引样本分配至最不确定且最相关的设计区域。在四分支基准测试及对流扩散系统传感器放置等应用中，该框架表现优于单保真度 Monte Carlo 和简单导引采样策略。
研究者分析了高维比例机制下促进块稀疏的启发式近似留一法（ALO）的理论精度。在块大小一致有界的假设下，证明了精确留一损失与其 ALO 近似之间的期望平均绝对误差达到 $O(\log^{3/2}(en)/\sqrt{n})$。该证明基于对全数据与留一估计器之间激活组状态变化数量给出的精确界，在更弱假设下提供了更强的理论保证与稳定性分析。
研究人员提出自监督预训练框架 MiCLA，通过合成 log-mel 混合将复音音频的混合表征与其成分片段进行双向隐空间对齐。微调评测中，MiCLA 在 AS-20K 上达到 43.2% mAP，在 AS-2M 上达到 50.3% mAP，并在冻结凸门控探测（CGP）下取得同类评估模型中的最高 mAP。实验表明该定向对齐机制有效提升了多声音事件的表征与联合检索能力。
研究人员提出一种用于在存在治疗不依从的集群随机试验中估计直接效应与溢出效应的贝叶斯机器学习方法。该方法结合贝叶斯加性回归树与集群级随机效应，并在贝叶斯 g-computation 框架下引入同伴治疗 clever covariate，以减少正规化对效应分解的失真。模拟实验显示该方法在模型设定错误时偏差更低，在肯尼亚小学驱虫项目应用中估算出个人治疗比同伴接受治疗的贡献更大。
研究提出基于长短期记忆（LSTM）模型的非迭代条件期望（NICE）g-formula 插入式估计器，用于在存在治疗与混杂反馈时估计持续治疗策略的因果效应。在模拟 HIV 队列及足够大样本下，该估计器比参数估计器偏差更小，且达到了 95% 置信区间的接近标称覆盖率。这项工作为高维纵向数据因果推断中应用深度学习插入式估计器提供了原理性验证。
研究人员提出了 VampPrior 的改进方案，通过解耦先验与后验协方差并引入狄利克雷过程替换固定均匀混合权重，显著提升了模型证据并实现稳健的非参数聚类。将该先验应用于单细胞变分推断（scVI）后，在 6 个单细胞图谱上的细胞整合与聚类表现均得到提升。该方法仅修改先验分布，可直接推广至任何具有连续隐空间的深度隐变量模型。
研究者证明了高斯混合模型的 Ho--Nguyen 猜想，对任意聚类大小 $M\ge2$，其实数非零权重系统的确切密度抵消阶数为 $2M$。该结论给出了显式点态极大似然指数及收缩邻域内的精确局部 minimax 阶，并通过 110 位精度的总体密度计算得到验证。此外，该视角区分了混合专家模型（MoE）中的高阶抵消与精确参数对称性。
研究人员提出一种基于机器学习分类器的控制变量方法，利用温度和负荷预测等低成本特征降低蒙特卡洛模拟方差，以高效估计电动汽车充电引发的极端罕见电网停电概率。实验表明，单特征弱学习器可消除 25% 的方差，而提升树学习器能消除约 60% 的方差。在印尼泗水电网的应用中，该方法在相同模拟预算下将全市停电天数减少了三分之一。