MCMC Informed Neural Emulators for Uncertainty Quantification in Dynamical Systems
该论文提出了一种将马尔可夫链蒙特卡洛（MCMC）生成的模型参数分布作为输入融入神经网络训练的新方法，从而在避免无效采样和降低计算成本的同时，实现了与原始物理模型相当的参数不确定性量化能力。
🤖 Category
cs.LG
2316 篇论文
ForwardFlow: Simulation only statistical inference using deep learning
该论文提出了一种名为 ForwardFlow 的基于深度学习的纯模拟统计推断框架，通过训练一个包含坍缩层的分支神经网络，直接从模拟数据中求解参数估计的逆问题，从而在无需解析似然函数的情况下实现有限样本精确性、对数据污染的鲁棒性以及算法近似能力。
Bayesian Optimization with Gaussian Processes to Accelerate Stationary Point Searches
该论文提出了一种统一的贝叶斯优化框架，利用高斯过程回归及多种扩展技术（如最优传输、变分正则化和自适应信任半径），通过单一六步代理循环高效加速势能面上极小值点、单点及双端鞍点的搜索，并辅以 Rust 代码实现以验证其在高维系统中的可扩展性与实用性。
Factorized Neural Implicit DMD for Parametric Dynamics
本文提出了一种基于因子化神经隐式场的参数化动态建模方法，通过解耦空间模态与时间演化来学习 Koopman 算子的谱分解，从而在无需显式物理方程的情况下实现对复杂物理系统长期演化、参数泛化及谱分析的精准预测。
Cross-Species Transfer Learning for Electrophysiology-to-Transcriptomics Mapping in Cortical GABAergic Interneurons
该研究利用来自小鼠和人类皮层的公开 Patch-seq 数据集，通过注意力机制 BiLSTM 模型实现了从电生理特征到转录组亚型（GABA 能中间神经元）的跨物种映射，并证实了在小鼠数据上预训练后微调至人类数据能显著提升人类神经元亚型预测的准确性。
Leech Lattice Vector Quantization for Efficient LLM Compression
该论文提出了一种名为 Leech 格向量量化（LLVQ）的新方法，通过扩展基于扩展 Golay 码的搜索算法以实现无需显式码本的索引、角搜索及全并行反量化，从而在无需昂贵查找机制的情况下，利用 24 维 Leech 格的最优球堆积特性实现了优于 Quip#、QTIP 和 PVQ 等现有方法的 LLM 压缩性能。
V2M-Zero: Zero-Pair Time-Aligned Video-to-Music Generation
本文提出了 V2M-Zero，一种无需成对数据即可实现视频与音乐时间对齐生成的零样本方法，其核心在于利用跨模态共享的时序变化结构（通过模态内事件曲线捕捉），仅需微调文本转音乐模型并在推理阶段替换为视频事件曲线，即可在音频质量、语义对齐及时间同步性上显著超越现有基线。
Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation
本文提出了名为 NeFTY 的可微分物理框架，通过将三维扩散率场参数化为连续神经场并结合严格的数值求解器，实现了从瞬态表面温度测量中对材料属性及亚表面缺陷的高精度定量三维重建。
XConv: Low-memory stochastic backpropagation for convolutional layers
XConv 是一种无需修改架构或代码即可无缝集成的卷积层替代方案，它通过存储高度压缩的激活值并利用多通道随机迹估计来近似权重梯度，在显著降低显存占用（减少两倍以上）的同时保持了与精确梯度方法相当的训练性能。
A Survey on Decentralized Federated Learning
这篇论文系统回顾了截至 2026 年初的去中心化联邦学习方法，将其划分为传统分布式与基于区块链两大架构，提出了以核心瓶颈为导向的统一分类体系，总结了评估现状与局限，并指出了未来在拓扑感知威胁模型、去中心化隐私定义、抗操纵激励机制及目标模型界定等方向的研究重点。
Polynomially Over-Parameterized Convolutional Neural Networks Contain Structured Strong Winning Lottery Tickets
该论文通过利用多维随机子集和问题在随机依赖情形下的最新进展，首次证明了在多项式过参数化的卷积神经网络中存在能够近似任意较小网络的“结构化强彩票票”，从而为结构化剪枝场景下的强彩票票假设提供了首个次指数级上界。
Provable Filter for Real-world Graph Clustering
该论文提出了一种名为“可证明过滤器”的新方法，通过构建同配与异配图并设计低通与高通滤波器来同时捕捉同质与异质结构信息，从而有效解决了现有图聚类方法难以适应真实世界复杂图结构的难题。
Enhancing Computational Efficiency in Multiscale Systems Using Deep Learning of Coordinates and Flow Maps
该论文提出了一种结合坐标发现与流图学习的深度学习框架，通过构建精确的时间步进方法，在显著降低计算成本的同时实现了多尺度系统（如 Fitzhugh-Nagumo 神经元模型和 Kuramoto-Sivashinsky 方程）的高效高精度模拟。
Fairness-Aware Multi-Group Target Detection in Online Discussion
本文提出了一种公平感知的多群体目标检测框架，旨在解决在线讨论中单条内容可能针对多个群体以及需确保跨群体检测一致性的挑战，从而在提升预测性能的同时有效降低毒性检测中的群体偏见。
Multi-agent Assessment with QoS Enhancement for HD Map Updates in a Vehicular Network
本文提出了一种基于单智能体 Q 学习的分布式多智能体评估方案，通过优化状态与动作空间来降低计算负担并解决兼容性问题，实验表明该方案在语音、视频、高清地图及尽力而为业务场景下相比单智能体方法显著降低了时延。
Sparse Variational Student-t Processes for Heavy-tailed Modeling
该论文提出了首个可扩展的稀疏变分 Student-t 过程（SVTP）框架，通过引入两种新型推理算法及基于 Beta 函数的自然梯度优化方法，在保持大规模数据计算效率的同时，显著提升了模型对异常值和重尾分布的鲁棒性，在预测精度和收敛速度上均优于稀疏高斯过程。
HYGENE: A Diffusion-based Hypergraph Generation Method
本文提出了 HYGENE，这是一种基于扩散模型的超图生成方法，它通过在超图二分表示上采用渐进式局部扩展策略，首次利用深度学习成功实现了能够生成具有真实多样性的复杂超图。
Robust Training of Neural Networks at Arbitrary Precision and Sparsity
该论文提出了一种将量化和稀疏化统一建模为加性噪声的框架，通过引入基于岭回归的去噪反量化变换来构建明确的梯度路径，从而解决了传统直通估计器在超低精度和稀疏训练中的不稳定性问题，实现了任意精度与稀疏度下的鲁棒训练并取得了最先进的性能。
ARLBench: Flexible and Efficient Benchmarking for Hyperparameter Optimization in Reinforcement Learning
该论文提出了 ARLBench，这是一个专为强化学习超参数优化设计的高效且灵活的基准测试框架，它通过精选代表性任务子集大幅降低了计算成本，从而促进了不同自动强化学习方法之间的公平比较与广泛研究。
DRUPI: Dataset Reduction Using Privileged Information
本文提出了利用特权信息（如特征标签或注意力标签）进行辅助监督的 DRUPI 方法，通过合成额外信息来增强数据集压缩效果，并在多个基准数据集上显著提升了模型性能。