GIT-BO: High-Dimensional Bayesian Optimization with Tabular Foundation Models
本文提出了 GIT-BO，一种结合 TabPFN v2 基础模型与主动子空间机制的高维贝叶斯优化框架，通过零-shot 推理和梯度引导的查询策略，在无需在线重训练的情况下显著提升了高达 500 维问题的优化性能与效率。
💻 Category
cs.CE
63 篇论文
EDINET-Bench: Evaluating LLMs on Complex Financial Tasks using Japanese Financial Statements
本文提出了基于日本十年财报构建的开源基准 EDINET-Bench，用于评估大语言模型在欺诈检测等复杂金融任务上的表现，研究发现当前最先进的模型在该领域仅略优于传统逻辑回归，表明单纯提供报告文本不足以解决问题，亟需引入更贴近专业场景的推理支持框架。
AttnBoost: Retail Supply Chain Sales Insights via Gradient Boosting Perspective
本文提出了 AttnBoost 框架，通过在梯度提升过程中集成特征级注意力机制，实现了对零售供应链销售需求的更精准预测与可解释性分析，从而有效应对数据噪声和消费者行为变化带来的挑战。
FMint-SDE: A Multimodal Foundation Model for Accelerating Numerical Simulation of SDEs via Error Correction
本文提出了名为 FMint-SDE 的多模态基础模型，该模型基于解码器 Transformer 架构，通过利用数值和文本模态学习通用误差校正方案，仅需训练一次即可实现对随机微分方程（SDE）的高效、高精度模拟，从而在分子动力学、金融等多个领域超越了传统求解器在精度与效率上的权衡。
Zero-Knowledge Proof (ZKP) Authentication for Offline CBDC Payment System Using IoT Devices
该论文提出了一种结合安全元件、轻量级零知识证明及间歇性同步机制的隐私保护离线央行数字货币模型，旨在解决资源受限物联网设备在离线支付中面临的防双花、隐私保护及身份管理等安全挑战。
FedEMA-Distill: Exponential Moving Average Guided Knowledge Distillation for Robust Federated Learning
本文提出了 FedEMA-Distill，一种通过结合全局模型指数移动平均与基于公共代理数据集的客户端预测 logits 集成知识蒸馏的服务器端方法，在无需修改客户端软件且支持模型异构的前提下，显著提升了联邦学习在非独立同分布数据及拜占庭攻击下的准确率、收敛速度并大幅降低了通信开销。
Capability Thresholds and Manufacturing Topology: How Embodied Intelligence Triggers Phase Transitions in Economic Geography
本文提出“具身智能经济学”框架，论证当具身智能在灵巧度、泛化性等关键能力上跨越临界阈值时，将打破百年来以福特主义为核心的制造业地理格局，通过权重反转、批量崩溃及人机解耦等机制，彻底重构生产选址逻辑并催生由机器环境优势主导的全新经济地理形态。
Can a Building Work as a Reservoir: Footstep Localization with Embedded Accelerometer Networks
该研究提出将仪器化建筑楼板视为物理储层计算机，利用分布式加速度计网络采集的地板振动数据，通过轻量级物理储层计算流程（包含均方根归一化、主成分分析及加权线性读出）实现了无需针对特定用户重新校准即可跨参与者预测脚步位置的亚米级精度定位。
Neuro-Symbolic Financial Reasoning via Deterministic Fact Ledgers and Adversarial Low-Latency Hallucination Detector
本文提出了 VeNRA 框架，通过结合严格类型的通用事实账本、双重锁定接地算法以及基于对抗性仿真训练的轻量级哨兵模型，解决了传统检索增强生成在金融领域因算术缺陷和语义混淆导致的幻觉问题，实现了零幻觉的确定性数值推理。
MOOSEnger -- a Domain-Specific AI Agent for the MOOSE Ecosystem
MOOSEnger 是一款专为 MOOSE 多物理场仿真环境设计的领域专用 AI 智能体，它通过结合检索增强生成与确定性的 MOOSE 感知解析、验证及执行工具，将自然语言意图转化为可运行的输入文件，并在基准测试中实现了远超纯大语言模型基线的 93% 执行通过率。
Set-Membership Localization via Range Measurements
本文提出了一种基于集合成员法的定位方法，通过假设距离测量存在未知但有界的误差，将非凸的可行解集包含在一个由球体交集和多面体构成的“定位集”内，并利用凸规划高效计算该集合的紧外近似（如超矩形或椭球），从而提供具有误差保证的集合值位置估计。
Improved accuracy of continuum surface flux models for metal additive manufacturing melt pool simulations
该研究针对激光粉末床熔融金属增材制造熔池模拟中传统连续表面通量（CSF）模型因极端温度梯度和材料属性差异导致的精度不足问题，提出了一种参数缩放的新方法，该方法通过平滑界面区域温度场显著提高了计算精度，并将满足精度要求的界面厚度限制放宽了一个数量级以上，从而大幅降低了计算成本。
Sentiment-Aware Stock Price Prediction with Transformer and LLM-Generated Formulaic Alpha
本文提出了一种结合大语言模型（LLM）与 Transformer 的新框架，利用 LLM 根据历史数据、技术指标及情感分析自动生成可解释的公式化 Alpha 因子作为高级特征，从而显著提升了股票价格预测的准确性与决策透明度。
Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies
本文提出了一种结合技术指标（RSI 和 SMA）与多源情感分析（VADER 及 Google Gemini）的动态均值 - 方差加密货币投资组合优化策略，回测结果表明该整合方法在风险调整后收益和累计增长方面优于传统基准，但也指出其在市场压力时期仍存在显著回撤，需进一步引入风险管理机制。
Adaptive Alpha Weighting with PPO: Enhancing Prompt-Based LLM-Generated Alphas in Quant Trading
本文提出了一种结合深度求索（DeepSeek）大语言模型生成公式化阿尔法信号与近端策略优化（PPO）强化学习框架的量化交易方法，通过动态调整多信号权重，在多种市场条件下显著提升了策略的风险调整后收益并降低了最大回撤。
Harmonic Analysis on Directed Networks via a Biorthogonal Laplacian Calculus for Non-Normal Digraphs
本文针对非正规有向图拉普拉斯算子缺乏自伴性的问题，建立了一套基于双正交特征基的谐波分析框架，通过定义双正交图傅里叶变换、有界变差半范数及采样重构理论，精确量化了非正规性引起的几何畸变并验证了滤波与重构的鲁棒性。
SpecBridge: Bridging Mass Spectrometry and Molecular Representations via Cross-Modal Alignment
SpecBridge 提出了一种新颖的隐式对齐框架，通过微调自监督光谱编码器（DreaMS）将其直接映射至冻结的分子基础模型（ChemBERTa）的潜在空间，从而在多个基准测试中显著提升了小分子质谱识别的检索精度，同时保持了极少的可训练参数量。
Learning-guided Kansa collocation for forward and inverse PDEs beyond linearity
本文旨在评估各类偏微分方程求解器的优劣，通过将 CNF 框架扩展至耦合与非线性场景，并结合自调优技术，系统性地解决了包括正向求解、反问题及方程发现在内的科学模拟挑战。
Optimization of Cost Functions in Absolute Plate Motion Modeling
本文提出了一种更简洁直观的热点成本函数新表述，通过对热点轨迹数据进行预插值处理来减少误差传播，从而优化了 optAPM 代码中的目标函数构建，显著提升了绝对板块运动建模的精度与可靠性。
MOOSE-Star: Unlocking Tractable Training for Scientific Discovery by Breaking the Complexity Barrier
该论文提出了 MOOSE-Star 框架，通过分解子任务训练、动机引导的层次化搜索及有界组合策略，将科学发现中假设生成的训练复杂度从指数级降低至对数级，从而突破了直接建模生成推理过程的数学不可行性瓶颈。