跳到正文

#论文/研究

今日 0 条
10月12日周一
  1. arXiv cs.AI35

    基于 LLM 的层次化硬件知识图谱自动化构建框架

    研究者提出了一个基于大语言模型（LLM）的自动化流程，通过分块属性提取、层次化路由和迭代精炼，将硬件数据手册转化为层次化硬件知识图谱。在包含 20 份不同类型与长度的硬件数据手册评测中，该框架实现了 98.8% 的属性真实度，显著高于单次处理基线的 76.1%。此外，该框架能完全覆盖基线 83.6% 的真实属性，而基线仅能完全覆盖该框架的 10.5%。

  3. arXiv cs.AI41

    CLEAT：面向交互式智能体的价值引导澄清学习框架

    研究者提出 CLEAT 框架，通过共享交互结果协同训练澄清价值控制器与任务策略，以残差查询价值衡量提问相对于直接执行的任务效用增益。基于 Qwen3-4B，CLEAT 在 4 个基准的全部 10 项评估设置中取得最高平均分。相较于最强基准模型，其在 UserGym Travel 和 IN3 不充分说明判断准确率上分别提升了 13.2 和 6.5 个百分点。

  5. arXiv cs.AI56

    SpireBench：利用《杀戮尖塔》评估智能体长程策略推理能力的基准测试

    研究团队推出评测基准 SpireBench，通过让大语言模型运行完整商业游戏《杀戮尖塔》（Slay the Spire）来评估其长程策略规划能力。在游戏最高难度下测试 20 款大语言模型发现，前沿模型表现可达人类平均水平但远低于专家，且随流程拉长会在局内成长和风险决策上暴露出过度保守的缺陷。测试还通过术语重命名与跨局记忆分析证实，模型部分成绩依赖游戏先验知识，而跨局自写的记忆经常出错且未带来提升。

  6. arXiv cs.AI40

    EvoSyn：通过演化生成空间实现闭环学习的智能体数据合成

    研究人员提出多智能体数据合成框架 EvoSyn，通过演化生成空间为交互式 AI 智能体实现闭环学习。该框架利用 Designer 分配生成方向并由 Planner 落地为可执行经验，支持弱项区域的自适应与生成空间拓展。在 $\tau^2$-Bench 和 CAR-Bench 实验中，EvoSyn 相比最强合成基线将平均任务成功率提升了 13.3 个百分点。

  7. arXiv cs.AI38

    DAG 工作流调度中同等预算 MCTS 对比随机重启列表调度的受控计算研究

    在相同候选调度评估预算的受控实验中，蒙特卡洛树搜索（MCTS）在 DAG 工作流调度上的表现比无搜索树的随机重启列表调度差 2.88%（95% CI [-3.62%, -2.15%]）。在 2048 次评估预算下，随机重启在稀疏不规则工作流上占优，而 MCTS 的选择规则易锁定在首个展开子节点导致试验高度相关。换用教科书级 UCT 虽能缩小差距至 -0.26%，但未能反超随机重启。

  8. arXiv cs.AI34

    EliteTable：基于 LLM 的可执行控制策略自改进程序搜索算法

    研究者提出了由大语言模型（LLM）引导的自改进程序搜索算法 EliteTable，通过固定容量的高分方案表来指导新提议、现有方案编辑与混合。在 6 项 Gymnasium 控制任务的评估中，所有任务的候选得分中位数均在首代到末代之间上升，CartPole-v1 在全部 10 次搜索的首代即达得分上限。虽然 4 项任务在保留测试集上实现提升，但 Acrobot-v1 在保留情景中出现性能下滑。

  9. arXiv quant-ph27

    基于退火与离散小波变换的量子神经网络提升空气污染临近预报

    研究人员提出一种结合变分量子线路与量子退火的混合框架，利用神经拟态量子计算平台构建量子神经网络（QNN），用于英国高密度城市 PM2.5 污染临近预报。该模型成功扩展至 172 个量子比特，结合小波分解在原始高熵环境数据上达到 SOTA 预测保真度，表现显著优于 MLP 和 LSTM 等经典基线。

  10. arXiv quant-ph25

    基于组合融合的量子-经典模型多样性感知集成

    研究人员提出基于组合融合分析（CFA）的量子-经典模型集成方法，利用排名-评分函数与认知多样性，从包含 29 个经典模型和量子电路的候选池中筛选高多样性子集进行融合。在 4 个跨领域二分类基准测试中，该混合融合在所有数据集上均超越表现最好的单个模型，准确率最高提升 6.03%。

  11. arXiv quant-ph25

    固定门量子拟设的动态李代数

    该研究提出了一种计算量子电路动态李代数（Dynamical Lie Algebras）的新方法，专门针对结合参数化门与非参数化纠缠门的量子架构。该成果旨在将近期的代数理论分析扩展至量子机器学习（QML）实际采用的电路拟设中，以推进 NISQ 时代的变分量子算法研究。

  13. arXiv quant-ph24

    利用量子极限学习机预测实验混沌电子电路信号

    研究人员利用量子极限学习机对混沌电子电路实验产生的 4 组连续时间序列信号进行了成功预测。研究提出通过采样局部峰谷以及按自相关时间尺度均匀采样两种离散化方法，分别捕捉共振行为与完整混沌特征并重建混沌吸引子。该算法在模拟和实验信号上均取得高预测精度，在中度退相干下保持鲁棒性，展示了近端量子模拟器处理连续信号的能力。

  14. arXiv quant-ph26

    奇偶校验学习中数据约束的渗透与布尔函数态重组研究

    研究探讨了神经网络在奇偶校验学习中随训练推进和数据累积如何重组学到的布尔函数，并引入函数态与有效施密特秩 $K_f=1/\textrm{Tr}(\rho_A^2)$ 进行刻画。结果显示，少量数据增加会拓宽施密特谱并带来区分化，而更大量数据会使其在目标模式上重新聚集；在固定数据集上，施密特谱重组先于目标对齐和预测准确率的提升发生。

  15. arXiv quant-ph25

    用于委托生成式量子机器学习的可验证采样

    研究人员提出了一种用于量子生成模型推理阶段的盲态可验证采样协议，以解决向远程量子服务器安全委托计算的问题。该协议基于通用盲量子计算（UBQC）与陷阱化（trapification）方案实现，并在训练阶段结合了委托变分量子算法的扩展方案。除常规的接受或中止判定外，该协议即便面对恶意服务器也能估算受损生成样本的数量，提供细粒度的输出质量评估。

  16. arXiv quant-ph25

    受体功能效价预测中的量子线路残差：预测增益与二次结构

    研究人员将经典分子编码器与浅层量子线路残差头联合训练，用于受体功能效价预测。在 GLP-1R 结构分组划分下，该模型将 MLP 与 GNN 编码器的平均绝对误差分别从 0.677 和 0.680 降至 0.639 和 0.641，评估并扩展至 ADRB2 与 MC4R。参数量匹配的实正交对照实验表现相近，表明部分量子残差增益与结构化二次特征交互相关。

  17. arXiv quant-ph35

    可训练量子原生语言模型：耗散记忆、容量限制与硬件验证

    研究提出以小型量子寄存器为隐藏状态的字节级自回归量子原生语言模型，通过可学习耗散门控实现了超越单 token 的有效记忆。在上下文长度 12 下，门控模型测试负对数似然比单 token 对照提升 0.20 +/- 0.03 nats/byte，并在 IBM Heron 硬件上完成验证。该模型表现仍显著逊于经典 n-gram 基线且可被经典模拟，未声称具备量子优势。

  19. arXiv stat.ML25

    不完全前瞻信息下多用途批处理过程的贝叶斯动态调度

    针对现实制造中前瞻信息不完全的动态扰动环境，研究提出了一种用于多用途批处理过程的贝叶斯动态调度方法。该方法通过从扰动分布中学习贝叶斯网络，在线执行时结合实时观测更新后验概率以指导重调度。在 4 个基准问题上的计算结果表明，该方法在长期成本和系统调度变动（system nervousness）指标上均在统计上显著优于周期性重调度策略。

  20. arXiv stat.ML31

    信息力学理论：通过测量不确定性实现泛化（学习即测量）

    研究人员提出了一个基于意外度（信息论不确定性）的无模型实例学习框架，无需显式分布建模即可直接从原始数据执行泛化推理。该方法支持训练数据的直接编辑与删除，可统一应用于生成式推理、因果发现、异常检测及时间序列预测等任务。实验显示其在异常检测和部分监督任务上达到了 SOTA 表现，为高可解释性 AI 提供了理论基础。

  21. arXiv stat.ML32

    用于异构模型输出集成的可优化模型平均法（OMA）

    研究者提出可优化模型平均法（OMA），通过在冻结所有模型参数的前提下最小化正则化预测熵，为各候选模型学习一个非负标量权重以平均预测概率。该黑盒集成方法针对异构基础模型难以进行参数空间合并的问题，通过正则化机制缓解过度自信错误，在特定配置下实现了更低的模型校准误差（ECE）。实验表明其在文本和图像分类任务中取得了优于传统模型输出平均的性能与校准权衡。

  22. arXiv stat.ML34

    解耦总方差与信噪比提升扩散模型性能

    研究提出总方差与信噪比解耦（TV/SNR）框架，通过对两者的独立控制显著提升扩散模型的生成效率。该方法发现采用恒定 TV 调度能持续改善方差指数爆炸问题，并将参数搜索空间缩减为两个独立可解释的参数。结合推广的最优传输流匹配 SNR 调度，该方案跨多种逆向求解器均表现出增益，适用于分子结构生成等复杂科学应用。

  23. arXiv stat.ML29

    再生核希尔伯特空间中的数据驱动随机最优控制

    研究人员提出了一种针对随机扩散非线性控制仿射系统的全数据驱动最优控制方法，适用于非线性动力学和阶段成本函数均未知的场景。该方案将状态概率密度嵌入再生核希尔伯特空间（RKHS），结合算子回归与凸算子理论的 Hamilton-Jacobi-Bellman 递归，计算规模随状态维度呈线性扩展。数值实验证明其能解决包括自主水下航行器深度调节在内的多种非线性控制任务。

  24. arXiv stat.ML26

    具逼近保证的线性化 Wasserstein 降维算法

    研究人员提出 LOT Wassmap 算法，用于在 Wasserstein 空间中高效发现低维流形结构。该算法结合 Sinkhorn 距离与线性化最优传输加速计算，完全避免了成对距离矩阵的求解，并为有限样本条件下的嵌入质量提供理论保证。实验表明，LOT Wassmap 能获得准确的低维嵌入，且计算成本较传统成对距离算法显著降低。

  25. arXiv stat.ML34

    基于粒子的广义随机优化方法研究

    研究者提出了一类基于扩散的广义随机粒子优化方法，用于解决损失函数梯度难以直接计算的问题，涵盖生成模型训练、微调和隐变量模型学习等场景。该方法引入平均场动力学及其相互作用粒子近似，在适定性与联合收缩性假设下证明了指数收敛性，并给出了连续时间粒子系统的非渐近误差界。基于该框架开发的高阶 Langevin 和动量优化器已在最大边际似然估计与基于能量的模型训练中完成评估。

  26. arXiv stat.ML42

    微调过程中虚假关联的无监督识别与消除研究

    研究者提出 GRASP 方法，可通过朴素 LoRA 微调权重无监督识别潜变量，并在微调中消除虚假关联且保留预训练内容。在不安全代码和不良医疗建议任务中，该方法完全消除了前者的突发未对齐现象，并将后者未对齐减少约 5x。在 Reddit 金融数据政治偏见实验中，该方法将政治倾向漂移减少超过一半，并提升了金融任务性能。

  27. arXiv stat.ML27

    奥卡姆剃刀的锋利程度取决于 ELBO：变分推断中的协方差假设如何影响模型选择

    研究表明基于 ELBO 的超参数学习会因高斯近似后验中的协方差矩阵结构而低估或高估信噪比（SNR）。假设对角或低秩加对角协方差矩阵会低估 SNR 并导致训练集欠拟合，而低秩协方差矩阵则会高估 SNR 并导致过拟合。研究提示贝叶斯学者在扩展至大模型时，需警惕为易处理性所作的协方差假设对模型选择的影响。

  28. arXiv stat.ML25

    局部差分隐私下的参数变点检测方法

    新研究针对局部差分隐私下的离线单变点定位问题，提出了基于聚合随机响应与二元机制的参数变点检测算法。该算法证明定位精度根本上受变点前后分布的 Chernoff 信息限制，分别在低隐私与高隐私机制下最大化输出分布的 Chernoff 信息。结合推导的有限样本极大极小下界，该研究量化了变点定位的隐私统计成本，并在合成数据上完成了验证。

  29. arXiv stat.ML30

    非平稳加权风险最小化的快速收敛率

    研究者分析了分布漂移下加权经验风险最小化的样本外预测误差，将超额风险分解为学习项与分布漂移误差项，并在混合条件下证明了学习误差的 oracle 不等式。针对平方损失设定，研究给出了结构突变与平滑漂移过程的显式漂移误差界，并扩展至线性模型、基函数逼近和神经网络的（自）回归问题。最优权重展现了学习与漂移之间的偏差-方差权衡，退化至无加权平稳设定时可恢复极小化极大最优收敛率。

  30. arXiv stat.ML28

    无穷小算子世界模型：离线强化学习的有限样本保证

    研究提出基于算子理论的世界模型，通过在再生核希尔伯特空间学习受控扩散过程的无穷小生成元，为离线强化学习提供有限样本保证。该方法结合 Hamilton-Jacobi-Bellman 方程，确立了生成元近似误差足够小时价值函数的全局收敛性。团队还推导出与系统平滑度及稳定性绑定的显式有限样本界，为连续时间最优控制应用于离线强化学习奠定基础。

  31. arXiv stat.ML15

    用于空间预测的代理图划分

    作者 Yuta Shikuri 等人共同撤回了关于空间预测代理图划分的论文，后续研究将调整作者署名安排重新开展。该论文原针对黑盒空间预测模型缺乏可解释性的问题，提出将空间分段构建建模为混合整数二次规划问题，并利用图划分结构特征设计了近似方案以提升大规模数据下的计算效率。

  32. arXiv stat.ML26

    贝叶斯最优实验设计中的微分熵近似

    研究者提出一种在贝叶斯最优实验设计中近似微分熵的高效计算方法。在加性高斯噪声模型下，该方法通过 Monte Carlo 或 quasi-Monte Carlo 代理近似证据密度，无需额外似然评估即可计算微分熵，将期望信息增益的嵌套积分折叠为单重积分。理论证明该策略仅依赖前向映射的温和光滑性，收敛率媲美或优于现有 SOTA 方法。

  33. arXiv stat.ML24

    马尔可夫链在核诱导几何下的收敛性研究

    新研究探讨了马尔可夫链在正定核关联的希尔伯特嵌入几何（MMD）下的收敛性，建立了经验占优测度向不变测度收敛的非渐近高概率界。该理论界证明谱隙决定主项中的有效样本量，而核收缩仅引入线性修正。基于该成果，研究进一步推导出从单条轨迹预测动力系统时非线性最小二乘估计器的快速学习率。

  34. arXiv stat.ML34

    SLICE：基于共形 E-Values 的序列无似然推断

    研究人员提出了名为 SLICE 的序列无似然推断方法，可为难以计算似然度的模型参数构建精确的任意时间有效（anytime-valid）置信序列。该方法通过将正预测分数共形化为条件 e-value 并构造检验鞅求逆，即便使用摊销神经比率估计器近似分数也能保证有效性。在合成基准、LLM API 的模型路由审计及微引力透镜数据上，所得置信序列在持续监测下仍能保持有效。

  35. arXiv stat.ML34

    一步到位校准：联合学习准确且校准的神经网络

    研究人员提出一种基于双层 Stackelberg 公式的端到端校准方法，可将标准校准器与神经网络骨干网络联合训练，无需独立校准集或专用校准损失。该方案仅使用交叉熵同时优化准确率与校准性能，仅引入校准器学习率这一个额外超参数。直接将最终分类层作为校准器即可实现无需额外参数的准确校准模型，性能超越 SOTA 校准器。

  36. arXiv stat.ML27

    基于核方法的实验研究外部有效性评估

    研究人员提出了一种基于最大均值差异（MMD）的形式化框架，用于评估实验研究在未见实验条件下的外部有效性。该方法利用研究规模与 MMD 分位数之间的渐近幂律关系，可通过小规模预实验预估具备外部有效性所需的研究规模，并已应用于含并列项的排序场景。相关代码已作为 Python 模块 genexpy 的一部分公开发布。

  37. arXiv stat.ML27

    超越差异度量：非平稳加权风险最小化中的预言机漂移

    研究者提出将非平稳加权风险最小化中的漂移误差直接与模型类中最优预测器的变动（预言机漂移）相关联，而非依赖传统的差异度量（discrepancy）。分析表明传统差异度量可能过于保守，其阶数可能高于超额风险贡献，并对不影响最优预测器的风险曲面变化产生响应。该研究精确刻画了线性回归中的这一差距，并进一步拓展到了非参数回归分析。

  38. arXiv stat.ML25

    时变分层基础设施下的电动汽车充电概率预测

    研究人员针对时变分层基础设施下的电动汽车充电需求提出了结合分层预测与缺失数据保形预测（conformal prediction）的概率预测方法。该研究基于苏格兰公共充电站的大规模数据集，涵盖从单充电桩到区域及国家的多层级聚合结构。所提出的保形流程能在层级结构的每个节点生成有效的预测区间，且 CP-MNR-Nested 算法成功应对了基础设施动态变化带来的数据挑战。

  39. arXiv stat.ML29

    高斯 BROJA 偏信息分解的闭式解推导

    研究人员推导出了多元高斯分布下 BROJA 偏信息分解（PID）优化问题的闭式解。该闭式表达式支持在通用多元高斯场景下直接计算，并在高维计算中实现了超过两个数量级的计算加速。相关实现代码已公开可用。

  40. arXiv stat.ML29

    时间序列因果发现的核心要点指南

    该教程对跨统计学、动力系统与机器学习等领域的时间序列因果发现研究进行了统一梳理，系统阐述了现代方法的核心原理、局限性与假设条件。内容还涵盖因果发现方法的评估、基准测试与微调，并探讨了其在农业、地球科学、医疗健康及人工智能系统等下游任务中的关键应用，同时提供了配套的代码与资源库。