针对类别标签不确定且部分误设混合模型的模块化贝叶斯推理
研究者提出一种模块化贝叶斯推理框架，用于解决潜在群体类别标签不确定且非目标群体模型存在设定偏差（misspecified）时的后验推断失真问题。该方法利用固定类别概率将分类与下游推理彻底解耦，防止不可靠群体的似然贡献影响目标参数。计算上只需对标签分配进行采样并拟合受保护模型后取后验均值，已在合成实验与测光超新星宇宙学分析中完成验证。
#论文/研究
#论文/研究
今日 62 条arXiv stat.MLAI 评分2525 arXiv stat.MLAI 评分3030 不适定信号恢复中后验扩散先验的 Hilbert 尺度稳定性分析
研究针对线性反问题中的后验扩散模型提出 Hilbert 尺度稳定性理论，在明确的 score 放大条件下推导出了非渐近恢复界。该理论界有效分离了观测噪声、score 近似误差与逆向时间离散化误差，并给出了由算子平滑度、真实信号正则度等共同决定的可恢复正则度阈值。结果还证明，相较于各向同性引导，适配前向算子的后验校正能在算子平滑作用最显著的正则度范围内提升稳定性。
arXiv stat.MLAI 评分3333 选择偏差下的差分隐私可靠评估
针对差分隐私审计中因成员推理攻击（MIA）引入选择偏差导致隐私泄露下界被高估的问题，研究人员采用统计学工具纠正了该偏差。对既往审计实现的重新分析表明，若不进行统计纠偏，审计违反理论上限的频率最高可达其声称置信水平的 4 倍；纠偏后得到的下界在统计上有效，违规率不再超过名义比率。
arXiv stat.MLAI 评分2626 掩码 MDP 的自白：结合动作掩码学习与最优策略搜索
针对强化学习中动作掩码计算瓶颈问题，研究者在线性 MDP 模型下探索了将最优策略搜索与动作掩码本身的学习相结合的方法。该框架首先提出基于确定性乐观优化的算法并证明其达 minimax 最优且计算高效，但其在非退化实例上表现次优。研究随后提出一种通过规划探索策略的替代高效算法，可视为确定性反馈下的信息导向采样类似物，并将其应用于无效动作集随时间变化的迁移学习场景。
arXiv stat.MLAI 评分2828 用于摊销贝叶斯半参数推理的去偏先验数据拟合网络（PFNs）研究
研究者提出了去偏先验数据拟合网络（PFNs）的理论基础，用于在通用半参数设定下对缺失均值或因果效应等有限维目标进行推理。研究引入了基于有效影响函数的标签修正与先验修正两种去偏策略，以加快目标后验收敛速率。去偏 PFNs 的收敛速率在渐近意义上匹配了传统频率派偏误修正估计量，并在特定假设下保证了伯恩斯坦-冯·米塞斯性质和极小化极大最优性。
arXiv stat.MLAI 评分2727 稀疏变分高斯过程的几何感知分块选择
针对稀疏变分高斯过程（SVGP），该研究提出一种几何感知分块选择算法，通过构建块对角缩放矩阵收紧变分下界，以在固定 inducing-point 预算下改善测试 RMSE 与 NLL。该算法计算开销低且复杂度明确，能通过数据划分恢复残差协方差矩阵对数行列式贡献，支持双随机优化框架训练，并可辅助为 SVGP 学习更优的超参数与 inducing points。
arXiv stat.MLAI 评分3535 受限观测下深度学习推理静默失效的预测机制：测量物理与先验信息的作用分析
研究针对受限观测下深度学习推理产生的「盲集」静默失效问题，提出一种通过线性化 VAE 先验近似参考风险的预测评分。在 2DeteCT X 射线 CT 数据的 240 项预设误差测试中，该评分对潜在 Laplace 和集成 Kalman 反演系统失效排名的 Spearman 相关系数达 0.79 和 0.84。但分析表明该评分相比物理基线并无显著提升，静默失效主要由测量可达性决定，而非习得先验。
arXiv stat.MLAI 评分2929 基于数据细化（Data Thinning）的 UCB 型高斯过程老虎机接近最优的遗憾界
研究人员通过引入数据细化（data thinning）统计技术，在高斯噪声假设下使 UCB 风格的高斯过程算法实现了接近最优的遗憾界。该方法在多臂老虎机设定下构建出更紧密的置信区间，不仅使 GP-UCB 的直接扩展版本达成接近最优的简单遗憾上界，与分阶段消除算法结合后更取得了接近最优的累积遗憾上界。数值实验进一步验证了该方法的有效性。
arXiv stat.MLAI 评分2323 含偏置深度神经网络的退火相关性与淬火噪声敏感性研究
一项新研究针对引入自然阶数独立高斯偏置的深度全连接神经网络，证明了其在较宽深度范围内仍保持淬火噪声敏感性。该性质在满足正相关条件且扰动输入与原始输入渐进不重合的极弱假设下即可成立。同时，退火协方差保持远离零，且完全由网络自身输出均值的波动所致。
arXiv stat.MLAI 评分3333 基于查询的协作强化学习框架 Ask to Learn
研究者提出了基于查询的协作强化学习框架 Ask to Learn，使学习者在拥有固定离线数据集的基础上，无需直接与底层环境交互，通过自适应查询“状态-时间”对并由协作方与模拟器返回反馈来克服离线数据覆盖局限。
arXiv stat.MLAI 评分3535 基于数据生成分布狄利克雷过程先验的贝叶斯神经网络及其在强化学习随机价值函数中的应用
研究人员提出了一种新型贝叶斯神经网络（BNN），通过直接在底层数据生成分布上设置狄利克雷过程（DP）非参数先验来量化认知不确定性，并基于此开发了强化学习算法 DP-DQN。该方法通过贝叶斯 Bootstrap 重新加权并注入生成先验假设，维护价值函数的后验分布以实现高效 Thompson sampling。这使得单个神经网络无需多网络集成开销，即可完成决定性的深度探索。
arXiv stat.MLAI 评分3131 警报评分因何变化？基于精确计算与稀疏事件估计的因果归因方法
研究人员提出一种在混合结构因果模型（SCM）状态上构建 Shapley 博弈的新框架，用于在稀疏事件数据下将警报评分变化归因到因果结构的变化机制中。针对有序线性 SCM 和二次评分，该方法利用一阶与二阶矩递归结合正交求积，在多项式时间内精确计算完整的 Shapley 向量并消除组合计算爆炸。实验表明该方案支持百量级变量扩展，并能在小样本事件数据下提供归因误差界与 top-k 恢复保证。
arXiv stat.MLAI 评分3535 超越标量排行榜：多目标 LLM 竞技场帕累托前沿识别的自适应采样算法
研究者提出了用于多目标 LLM 竞技场评测的自适应采样算法 VB-EGE，以高效率识别帕累托前沿（Pareto frontier）模型。该算法基于多目标 Bradley-Terry 模型，在积累足够统计证据后逐步剔除模型，具有高概率返回正确前沿的实例相关样本复杂度上界，并在对数因子意义下达到极小化极大最优。
arXiv stat.MLAI 评分3131 通用特征的通信复杂度研究
研究人员探讨了面向函数族评估的数据表示复杂度，构建出仅需 $O(d^{*}\log(1/\varepsilon))$ 比特编码长度的确定性编码器，其中 $d^*$ 为函数族的对偶 VC 维，误差至多为 $\varepsilon$。该编码长度在最坏情况下达到最优，且研究给出了两种基于无标签样本学习该表示的方法。实验验证了贪心构建方法的精度与大小权衡，并探索了其与神经稀疏自编码器的联系。
arXiv stat.MLAI 评分2828 基于浅层神经网络的扩散 Score 估计：正则性、逼近与有限样本收敛率
研究探讨了使用有限宽度浅层 ReLU 网络和去噪 Score 匹配（DSM）估计 Ornstein-Uhlenbeck 扩散 Score 的样本复杂度及反向采样效果。
arXiv stat.MLAI 评分2020 流形上 Besov 函数的高斯逼近与 Logistic 分类理论
该研究针对内在维度为 $\varrho$ 的紧致光滑流形，提出了基于高斯核逼近与正则化 Logistic 分类的快速预言机不等式。研究利用不同带宽的高斯核积分算子符号组合消除低阶偏差，克服了二阶饱和并实现了内在维度控制下的核范数界限。结合预测截断后，该方法在有界密度下的 Logistic 超额风险多项式指数与超额误分类风险均达到了极小化极大最优速率。
arXiv stat.MLAI 评分2828 稳健隐变量图模型：精确恢复与基本极限
研究针对分解为稀疏矩阵减去对称低秩矩阵的高斯精度矩阵，提出了一种基于测度变换协方差的凸估计器，可实现稳健的图结构与参数恢复。在对偶见证定理下，该估计器能唯一恢复真实秩与惯性，且无虚假边；惯性恢复需要 $N\gtrsim p/\nu_{\min}^2$ 的样本量。研究还证明了其在 Huber 污染下的稳健性，并给出了具闭式更新的全局收敛线性化 ADMM 算法。
arXiv stat.MLAI 评分3636 用于时间序列预测的动态双反馈共形推理 DDCI
研究人员提出了用于时间序列预测不确定性量化的动态双反馈共形推理（DDCI），该研究已被 NeurIPS 2026 接收。DDCI 结合了由真实观测驱动的实际反馈与基于经验阈值的估计反馈，在更新期间抑制预测区间的过度膨胀或收缩。该方法在时序环境下实现了更稳定且更窄的预测区间，同时在实际应用中保持了接近标称水平的覆盖率。
arXiv stat.MLAI 评分2424 严格可复现可实现学习：未知边际分布、有限类插值与共享随机性代价
该研究确定了边际分布未知条件下严格可复现可实现学习的样本复杂度，证明在大小为 $M$ 的有限类上最坏情况界为 $\Theta((\log M)^2)$。针对全布尔类 $P_d$，论文通过适定泊松化球采样算法给出了匹配的 $\Theta(d^2/(\varepsilon\rho^2)+\varepsilon^{-1}\log(1/\delta))$ 样本复杂度界，并给出了显式 Gibbs 上界。
arXiv quant-phAI 评分2828 HyQ-LC：通过量子-经典混合学习提升光变曲线分类
研究人员提出用于十类恒星光变曲线分类的模型 HyQ-LC，结合窗口多层感知机（MLP）主干与 9 量子比特读出，在 44,238 个参数规模下，其在 20,000 个测试样本上的 Macro-F1 较纯 MLP 对照组在两个微调随机种子上分别提升 0.8276 和 1.2393 个百分点。该量子线路在经典计算上完成模拟，相关特征、预测结果与代码均已公开。
arXiv quant-phAI 评分3535 LiftDiff：基于引导式离散扩散模型的量子纠错码构建方法
研究人员提出基于生成式方法的量子纠错码发现工具 LiftDiff，利用离散扩散模型生成基础矩阵并扩展为提升积码。该方法通过评估围长、度数、稀疏度及解码性能的能量函数引导反向扩散，成功构建出 [[169,13,11]]、[[143,15,9]]、[[260,24,10]] 等参数的量子码。
arXiv quant-phAI 评分2424 基于仿真的量子密钥分发取证：利用机器学习进行攻击检测与特征提取
研究人员提出了基于仿真的量子取证框架 QF-LOG，通过分析量子误码率（QBER）、光子计数、毫秒级延迟和中止标志四项日志特征来检测 QKD 攻击。在包含 500 万条平衡记录的 Generator-A 数据集上，逻辑回归、随机森林和 XGBoost 等全特征机器学习模型取得了 0.8211 至 0.8243 的宏 F1 分数。
arXiv quant-phAI 评分2727 基于机器学习推理的受限信息下量子关联多发射体定位
研究人员提出一种通过机器学习推理直接从多模态数据推断发射体数量和位置的新方法，解决了传统拟合选择框架在光子受限和强背景下误差传播的问题。该方法在定位精度上实现超过 10 倍提升，所需光子数减少多达 5 倍，显著改善了低光子计数与窄间距等严苛条件下的定位表现。
arXiv quant-phAI 评分3131 经典数据编码下的量子机器学习基于间隔的泛化理论
研究者提出了一个基于间隔（margin）的泛化框架，用于处理输入经典数据并编码为量子态的量子机器学习任务，同时覆盖固定编码与可训练编码。针对可训练编码，团队通过两尺度覆盖论证推导出泛化界，引入了阶数为 $\tilde O(\sqrt{L/m})$ 的附加编码容量项。在跨越多种图像数据集和线路架构的 19,440 次模拟训练中，逆间隔在条件独立性与 90 分位符号误差标准下表现最优。
arXiv quant-phAI 评分2828 基于原型引导的线性复杂度量子数据嵌入优化方法
研究人员提出了一种原型引导的量子数据嵌入优化框架，将传统数据自适应方法所需的样本两两保真度评估复杂度从 $O(B^2)$ 降至线性的 $O(B)$。该方法结合了任务特定的量子线路架构优化与数据嵌入参数连续微调，在最高支持 20 个量子比特的 5 个基准数据集上保持了具有竞争力的量子核 SVM 分类性能，并在 T-MNIST 数据集上表现尤为突出。
arXiv quant-phAI 评分3737 EntangledEdge：面向轨道量子传感与学习的分布式系统架构
研究人员提出 EntangledEdge，这是首个将轨道量子传感与学习端到端统一的系统架构，通过量子数据平面与经典控制平面确保数据在传感至推理全流程保持量子态。系统支持将事件路由至匹配模型、实现无标签自适应检测阈值，并依据硬件保真度跨站点聚合。混合原型评估显示，其在限制单事件成本的同时实现了高质量推理，提升了量子处理器利用率并支持随卫星编队规模扩展。
arXiv quant-phAI 评分2121 具有奇异半链因子的平移不变纯态研究
研究人员借助 AI 辅助发现反例，在 1D 晶格上构造出一类平移不变纯准自由费米子态，其半链 von Neumann 代数可呈现 $\mathrm{II}_\infty$ 型或任意 $0<\lambda\leq 1$ 的 $\mathrm{III}_\lambda$ 型超有限因子。
arXiv quant-phAI 评分2929 Quantinuum 在 Helios 离子阱处理器上实现远低于阈值的量子纠错
研究人员在 Quantinuum 的 Helios 离子阱量子处理器上实现了距离 d=3、5 和 7 的三角色码低于阈值运行。结合电路与硬件级漏失抑制方案，逻辑错误率低至 5_{-2}^{+4}×10^{-6}，码距每增加一级错误抑制因子达到 Λ=12_{-2}^{+3}。基于卷积神经网络和 Transformer 的解码器实现了比伴随式提取速率快一个数量级的实时解码。
arXiv cs.AIAI 评分3434 FuzzInsight：平衡覆盖率导向 DNN 模糊测试的效率与效果
研究人员提出 FuzzInsight 与 Equalized Sampling 策略，将 DNN 模糊测试的平均种子队列利用率提升至 77%，比以往方法高出 13 个百分点。
arXiv cs.AIAI 评分4949 OfficeTown：面向智能体持续进化的生成式组织模拟框架
研究人员提出生成式组织模拟框架 OfficeTown，可根据自然语言描述初始化虚拟组织，让成员协调工作、委派任务给助手智能体并持久化积累上下文。基于该框架构建的 OfficeTown Bench 涵盖 8 个专业领域、23 个模拟组织的 406 项任务与 4,836 条评估标准。
arXiv cs.AIAI 评分3737 LongForge：通过证据-断言推理图评估与改进长上下文指令数据
研究人员提出长上下文指令数据处理框架 LongForge，将样本反向重构成证据-断言推理图，从广度、深度、正确性和完整性四个维度进行可追溯的质量评估与生成控制。评估 7 个主流数据集发现，数据广度几乎不随文档长度增长且深度普遍偏低。在两个骨干模型上，其生成的 LongForge-1 和 LongForge-N 在 6 个长上下文基准上平均超越最强基线 2.2-4.7 分。
arXiv cs.AIAI 评分3535 算法模型化：将优化算法转化为可进化的智能模型
研究人员提出“算法模型化”（Algorithm Modelization）新范式，将迭代优化算法转化为可训练模型，把算法执行轨迹作为计算经验以内化并超越现有算法。该方法将迭代优化建模为自回归过程，结合跨维度种群时序架构与“从模仿到超越”学习框架，先吸收异构算法知识再由优化反馈持续改进。模型化优化器不仅整合了多样化搜索能力，还能泛化到未知的大规模维度问题中。
arXiv cs.AIAI 评分3434 QuAD：基于多智能体系统与分布对齐的定性数据质量量化评估框架
研究人员提出了用于定性响应数据集分析前量化评估的框架 QuAD。该框架将文本内在聚类分布与基于元数据定义的研究分析视角进行对比，构建四象限联合评估指标来判断数据适用性。为计算视角约束下的响应间差异，QuAD 采用包含两阶段指令生成与自适应锚点的多智能体系统，并在合成数据与真实社会调查案例中验证了其有效性。
arXiv cs.AIAI 评分3434 CIIR：基于类别索引接口表征学习的跨数据集通信框架
研究人员提出模块化编解码器框架 CIIR，通过类别索引地址空间连接异构数据集，无需配对或同步的多模态样本。系统使用 128 维地址表征，新训练的无标签接收器实现了 94.7% 的宏平均地址实现准确率。冻结基础地址空间后仅训练轻量适配器接入未见过的 SVHN 数据集，在无目标端标签下达到 90.2% 的 MNIST>SVHN 和 82.3% 的 SVHN>MNIST 端到端地址迁移准确率。
arXiv cs.AIAI 评分3535 LexPilot：评测法律大模型在中国民事案件咨询中主动交互能力的基准
研究人员推出基准 LexPilot，用于评估法律大模型在中国民事案件咨询中主动引导非专业用户补充案情及下游判决预测的能力。该基准基于 36 种常见案由的 432 份真实判决构建，包含经专家审核的完整与信息不全咨询记录及对应法院判决。实验表明现有 LLM 主动交互能力较弱，在信息不全时的下游诉求判决预测较完整信息设置平均下降 23.84%。
arXiv cs.AIAI 评分4747 WebCoder：基于工件落地智能体强化学习扩展通用前端开发能力
研究团队推出基于工件落地智能体强化学习的前端开发 AI 智能体 WebCoder，通过 Webdev-World 执行环境与工件进度驱动的奖励重分配机制支持长轨迹训练。
arXiv cs.AIAI 评分4444 重新审视大语言推理模型安全对齐中的 GRPO
研究人员针对大语言推理模型在 GRPO 安全对齐中出现的优势崩塌与不安全多样化问题，提出了对齐框架 Beacon。该框架通过安全信号恢复（SSR）重构有效学习信号，并利用安全与效用解耦对齐（SUDA）缓解过度拒答。在 4 个 Qwen3 与 DeepSeek-R1-Distill 变体及 8 个基准测试中，该方法将平均安全错误率最多降低了 32.83 个百分点。
arXiv cs.AIAI 评分4040 智能体上下文学习：Transformer 在闭环交互中能学到什么算法？
研究提出了智能体上下文学习（Agentic ICL），探讨固定参数的因果 Transformer 在闭环交互中逼近主动学习、多臂老虎机和在线强化学习等算法的表现。实验证明 Transformer 能通过知识蒸馏执行三种代表性递归算法，并在有限时界内约束回报损失。此外，在没有先验动作或状态目标时，过程奖励监督与结果最优偏好的对齐程度会直接改变模型学到的决策策略。
arXiv cs.AIAI 评分3333 蒸馏直至发散：面向智能体强化学习的错误截断后见蒸馏方法
研究提出面向智能体强化学习的错误截断后见蒸馏方法，通过轨迹结果与错误边界路由两类互补的后见技能，解决长程交互中后见监督与状态不匹配的问题。该方法利用正面技能强化成功决策，利用负面技能针对关键错误提供修正，错误发生后的后缀部分则完全由 GRPO 优化。实验表明该方法具备竞争力的任务表现，并支持有效的细粒度信用分配。
arXiv cs.AIAI 评分4343 C 转 Rust 性能退化分析与恢复研究
研究人员分析了 20 个真实 C 项目转为 Rust 后的性能退化，发现转译后的 Rust 在部分操作中比原 C 代码慢达 62.2%，并归纳出 9 类主要性能问题。团队提出基于 LLM 的性能恢复方法，结合热点分析与可复用优化规则进行上下文重写验证。在 12 个保留项目的 41 项操作测试中，该方法成功为 40 项操作加速，其中 18 项运行速度超越原始 C 代码。