RadDiff: Retrieval-Augmented Denoising Diffusion for Protein Inverse Folding
本文提出了一种名为 RadDiff 的新型检索增强去噪扩散模型，通过引入检索增强机制和知识感知模块来有效整合外部蛋白质知识，从而在蛋白质逆折叠任务中显著提升了序列恢复率和可折叠性，并克服了现有方法在知识利用和扩展性方面的局限。
🤖 Category
cs.AI
3491 篇论文
ForamDeepSlice: A High-Accuracy Deep Learning Framework for Foraminifera Species Classification from 2D Micro-CT Slices
该研究提出了名为 ForamDeepSlice 的高精度深度学习框架，通过构建严谨的 2D 微 CT 切片数据集并采用集成卷积神经网络模型，实现了 95.64% 的有孔虫物种分类准确率，同时开发了支持实时分类与三维匹配的交互式仪表盘，为微古生物学鉴定建立了新基准。
Integrating a Causal Foundation Model into a Prescriptive Maintenance Framework for Optimising Production-Line OEE
本文提出了一种基于因果基础模型的预测性维护框架，通过模拟干预措施来量化其对整体设备效率（OEE）的因果影响，从而帮助工程师识别根本原因并优化生产线的决策。
AltNet: Addressing the Plasticity-Stability Dilemma in Reinforcement Learning
本文提出了 AltNet 方法，通过利用双网络交替角色机制，在周期性重置网络参数以恢复强化学习可塑性的同时，避免了性能下降，从而在安全关键的高维控制任务中实现了更高效的训练和更优的表现。
Dual Randomized Smoothing: Beyond Global Noise Variance
该论文提出了一种名为“双重随机平滑”的新框架，通过引入输入依赖的噪声方差估计器并证明其有效性，成功突破了传统全局噪声方差在兼顾小半径和大半径鲁棒性认证时的性能瓶颈，显著提升了模型在不同扰动半径下的准确率。
Process-Centric Analysis of Agentic Software Systems
该论文提出了名为 Graphectory 的图结构表示法以系统分析智能体软件系统的执行轨迹，通过大规模实证研究揭示了不同模型与提示词下的策略差异，并进一步开发了实时监测与干预机制，显著提升了智能体解决软件工程问题的成功率并缩短了执行路径。
Beyond Additivity: Sparse Isotonic Shapley Regression toward Nonlinear Explainability
本文提出了稀疏各向同性 Shapley 回归（SISR）框架，通过联合学习单调变换以恢复可加性并施加 L0 稀疏约束，有效解决了传统 Shapley 值在处理非线性依赖和特征选择时的失真与计算效率问题，为高维非线性可解释性提供了理论坚实且实用的解决方案。
Parallel Decoder Transformer: Planner-Seeded Latent Coordination for Synchronized Parallel Decoding
该论文提出了平行解码器 Transformer（PDT），这是一种在冻结主干架构中引入规划器引导的潜在工作空间与同步多流输出协议的模型，通过将并行任务分解从外部提示策略转变为模型内部的协调机制，实现了多流生成间的状态同步、所有权解析及信息等待。
Beyond Endpoints: Path-Centric Reasoning for Vectorized Off-Road Network Extraction
本文针对非结构化野外环境下的矢量路网提取难题，发布了大规模数据集 WildRoad 并提出了基于路径推理的 MaGRoad 框架，通过聚合多尺度视觉证据有效克服了现有节点中心方法的局限性，在显著提升野外场景拓扑精度的同时实现了更快的推理速度。
SALVE: Sparse Autoencoder-Latent Vector Editing for Mechanistic Control of Neural Networks
本文提出了 SALVE 框架，通过结合稀疏自编码器与 Grad-FAM 验证方法，实现对神经网络特征的无监督发现、可视化验证及基于权重空间的精确编辑，从而在卷积和 Transformer 模型上达成可解释的机制性控制。
Adaptation of Agentic AI: A Survey of Post-Training, Memory, and Skills
这篇论文提出了一种涵盖智能体与工具适应的四范式框架，系统综述了大语言模型智能体在预训练后通过微调、偏好优化、强化学习以及记忆和技能系统实现持续进化的最新进展、权衡与评估实践。
Meta-RL Induces Exploration in Language Agents
本文提出了名为 LaMer 的元强化学习框架，通过跨回合训练和基于反思的上下文策略适应机制，有效解决了语言智能体在长程任务中探索不足与试错适应低效的问题，显著提升了其在多样化环境中的性能与泛化能力。
ReDepth Anything: Test-Time Depth Refinement via Self-Supervised Re-lighting
本文提出了 Re-Depth Anything 框架，通过利用大规模 2D 扩散模型先验进行自监督重光照与重合成，在测试阶段无需标签即可显著修正基础深度模型（如 Depth Anything V2/3）在真实场景中的预测误差，从而实现了当前最先进的单目深度估计精度与真实感。
Cost Trade-offs of Reasoning and Non-Reasoning Large Language Models in Text-to-SQL
该论文通过基于 Google BigQuery 的大规模实证研究，揭示了推理与非推理大语言模型在 Text-to-SQL 任务中的成本权衡，指出执行时间与云计费成本弱相关，且非推理模型因缺乏分区过滤等优化会导致高达 3.4 倍的成本波动，从而为企业部署提供了降低财务风险的关键指导。
Physics-Informed Neural Networks for Device and Circuit Modeling: A Case Study of NeuroSPICE
本文介绍了 NeuroSPICE，一种利用物理信息神经网络（PINN）通过最小化微分代数方程残差来求解器件与电路波形的框架，其虽在训练速度和精度上未超越传统 SPICE，但在设计优化、逆问题求解及新型非线性器件（如铁电存储器）仿真方面展现出独特优势。
Toward a Physical Theory of Intelligence
本文提出了“守恒一致编码”（CCE）框架，将智能视为受守恒律约束的物理过程，通过推广兰道尔原理和 metriplectic 流，建立了连接热力学耗散、量子测量与宏观时空几何的统一理论，从而为理解自然与人工智能提供了物理约束和量化指标。
Reliable Grid Forecasting: State Space Models for Safety-Critical Energy Systems
本文针对安全关键的电网负荷预测，提出了一套超越传统精度指标（如 MAPE）的单向风险评估框架，通过对比多种神经网络架构在加州独立系统运营商数据上的表现，揭示了概率校准可能导致的“虚假安全”问题，并引入偏差约束目标以实现尾部风险最小化与避免过度预测之间的可审计权衡。
DrivingGen: A Comprehensive Benchmark for Generative Video World Models in Autonomous Driving
本文提出了 DrivingGen，这是首个针对自动驾驶生成式世界模型的综合基准，通过构建涵盖多样化场景的数据集和一套包含视觉真实感、轨迹合理性、时序一致性及可控性的新评估指标，解决了现有评估方法的局限性并揭示了当前模型的优劣权衡。
Batch-of-Thought: Cross-Instance Learning for Enhanced LLM Reasoning
本文提出了一种无需训练的“思维批处理”（BoT）方法，通过联合处理相关查询并利用多智能体反思架构（BoT-R）进行跨实例学习与一致性校验，在提升大语言模型推理准确率与置信度校准的同时，显著降低了推理成本。
NC-Bench: An LLM Benchmark for Evaluating Conversational Competence
本文提出了基于 IBM 自然对话框架的 NC-Bench 基准，通过评估大语言模型在基础对话、检索增强生成及复杂请求等场景下的对话形式与结构管理能力，填补了现有评测在通用对话胜任力方面的空白。