Detecting Fake Reviewer Groups in Dynamic Networks: An Adaptive Graph Learning Method
本文提出了一种名为 DS-DGA-GCN 的新型自适应图学习模型，通过整合网络特征评分系统与动态图注意力机制，有效解决了冷启动场景下复杂网络中虚假评论团伙的检测难题，并在真实数据集上取得了显著优于现有方法的检测精度。
🤖 Category
cs.AI
6200 篇论文
Electrocardiogram Classification with Transformers Using Koopman and Wavelet Features
该论文提出了一种结合 Koopman 算子（通过 EDMD 近似）与波变换特征及 Transformer 架构的心电图分类方法，研究发现虽然简单的特征混合未带来提升，但通过优化径向基函数字典构建的 Koopman 特征在四分类任务中表现优于波变换基线及混合系统，有效展示了将动力系统理论融入时间序列分类的潜力。
Towards plausibility in time series counterfactual explanations
本文提出了一种针对时间序列分类问题的新型反事实解释生成方法，通过在输入空间进行梯度优化并结合软动态时间规整（soft-DTW）与k近邻约束，有效生成了兼具有效性、稀疏性、邻近性以及符合真实时间分布结构的高可信度反事实样本。
Computational modeling of early language learning from acoustic speech and audiovisual input without linguistic priors
本文综述了利用自监督及视觉 grounded 计算模型研究早期语言习得的最新进展，展示了这些模型如何在缺乏强语言先验的情况下从语音和视听输入中学习，并揭示了其学习原理与多种语言习得理论及人类认知的高度兼容性。
M-ACE: Rectifying Visual Perception in Multimodal Math Reasoning via Multi-Agentic Context Engineering
该论文提出了 M³-ACE 框架，通过多智能体上下文工程解耦感知与推理，利用协同观察和轻量级工具修正视觉感知错误，从而在多模态数学推理任务中显著提升了性能并刷新了多项基准测试的纪录。
A Hierarchical Error-Corrective Graph Framework for Autonomous Agents with LLM-Based Action Generation
本文提出了一种名为 HECG 的层级纠错图框架，通过多維可迁移策略（MDTS）、结构化错误矩阵分类（EMC）和因果上下文图检索（CCGR）三大核心创新，实现了大语言模型驱动的智能体在复杂多步任务中更精准的策略选择、更精细的错误归因分析以及更可靠的上下文自适应执行。
Revealing Behavioral Plasticity in Large Language Models: A Token-Conditional Perspective
该论文揭示了大语言模型具有类似变色龙的内在行为可塑性，并提出了一种名为 Token-Conditioned Reinforcement Learning (ToCoRL) 的框架，通过利用基于 Token 前缀的条件生成与强化学习，将推理时的行为适应转化为稳定的可学习模式，从而在不损害模型能力的情况下实现精确的行为控制（例如让擅长推理的模型也能高效回答事实性问题）。
A Recipe for Stable Offline Multi-agent Reinforcement Learning
该论文针对离线多智能体强化学习中非线性价值分解导致的训练不稳定问题，提出了一种保持贝尔曼不动点的尺度不变价值归一化（SVN）方法，并结合对关键组件交互的分析，总结出一套能够充分释放离线多智能体强化学习潜力的实用方案。
Aligning to Illusions: Choice Blindness in Human and AI Feedback
该论文通过三项实验揭示了人类和 AI 反馈中普遍存在的“选择盲视”现象，表明 RLHF 所依赖的偏好信号极易受上下文操控且难以被检测，从而导致奖励模型失效及下游策略退化。
Geometrically Constrained Outlier Synthesis
本文提出了几何约束异常值合成（GCOS）框架，通过在特征空间中生成符合流形结构的虚拟异常值并结合对比正则化，显著提升了深度神经网络在近分布异常检测任务中的鲁棒性，并支持向具有统计误差保证的共形异常检测扩展。
Human-Aware Robot Behaviour in Self-Driving Labs
本文提出了一种基于分层人类意图预测的具身 AI 感知方法，使自驱动实验室中的移动机器人能够区分人类的准备动作与短暂交互，从而从被动等待转变为主动协作，显著提升了人机共享环境下的工作效率。
SYNAPSE: Framework for Neuron Analysis and Perturbation in Sequence Encoding
该论文提出了 SYNAPSE 框架，这是一种无需重新训练的系统性方法，通过提取 CLS 表示、训练轻量级线性探针及前向钩子干预，实现了对 Transformer 模型内部神经元行为的跨领域分析与扰动测试，揭示了其内部表征的冗余稳定性与特定类别的脆弱性。
IronEngine: Towards General AI Assistant
本文介绍了 IronEngine，这是一个围绕统一编排核心构建的通用 AI 助手平台，通过创新的三阶段流水线、分层记忆架构及自适应模型管理，实现了高效的任务规划与执行，并在文件操作基准测试中展现出卓越的性能。
One Model Is Enough: Native Retrieval Embeddings from LLM Agent Hidden States
该论文提出了一种通过轻量级投影头将 LLM 代理隐藏状态直接映射为检索嵌入的方法，从而消除了对独立嵌入模型的依赖，在保持 97% 基线检索质量的同时降低了系统复杂度和延迟。
Efficient Policy Learning with Hybrid Evaluation-Based Genetic Programming for Uncertain Agile Earth Observation Satellite Scheduling
本文提出了一种混合评估遗传编程（HE-GP）方法，通过结合精确与近似评估模式并动态切换，有效解决了不确定敏捷地球观测卫星调度问题中策略评估计算成本高及易陷入局部最优的难题，在显著降低训练时间的同时实现了优于传统启发式及单一评估方法的调度性能。
A prospective clinical feasibility study of a conversational diagnostic AI in an ambulatory primary care clinic
这项前瞻性临床可行性研究表明，在真实世界的初级保健环境中，由人工实时监督的 AMIE 对话式 AI 在安全性、患者满意度及诊断准确性方面表现良好，且其诊断与管理计划质量与初级保健医生相当，但在治疗方案的实用性和成本效益方面仍略逊一筹。
LycheeCluster: Efficient Long-Context Inference with Structure-Aware Chunking and Hierarchical KV Indexing
LycheeCluster 提出了一种结合边界感知分块与基于三角不等式的递归分层索引的新型 KV 缓存管理方法，通过将检索过程从线性扫描优化为对数级剪枝，在几乎不损失模型性能的前提下实现了高达 3.6 倍的端到端推理加速。
The Boiling Frog Threshold: Criticality and Blindness in World Model-Based Anomaly Detection Under Gradual Drift
该论文通过研究世界模型在连续观测漂移下的自监控机制，揭示了检测阈值的普遍存在性及其受噪声基底、检测器与环境动态三者交互决定的本质，同时指出了正弦漂移的不可检测性以及“崩溃先于感知”的不可监控失效模式。
R2F: Repurposing Ray Frontiers for LLM-free Object Navigation
该论文提出了一种名为 R2F 的无需大语言模型（LLM）的室内开放词汇物体导航框架，通过将射线前沿重新解释为方向条件语义假设并利用嵌入评分进行规划，在实现零-shot 竞争力的同时显著提升了推理速度（比基于 VLM 的方法快 6 倍）。
X-AVDT: Audio-Visual Cross-Attention for Robust Deepfake Detection
该论文提出了利用生成器内部音频 - 视觉交叉注意力机制的 X-AVDT 检测器，并发布了涵盖多种合成范式的 MMDF 数据集，从而在跨生成器泛化能力和检测精度上显著超越了现有方法。