Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part II
本文针对部分可观测的高维线性二次高斯控制问题，提出了一种通过预测累积代价来学习潜在状态表示的成本驱动方法，并建立了在无限时域下获得近优表示函数与控制器的有限样本保证，其核心贡献在于证明了由二次回归分析产生的新随机过程的持续激励性。
🤖 Category
cs.LG
9603 篇论文
Few Tokens, Big Leverage: Preserving Safety Alignment by Constraining Safety Tokens during Fine-tuning
该论文提出了名为 PACT 的微调框架，通过在微调过程中仅约束与安全相关 token 的置信度以匹配参考模型，从而在避免全局限制导致效用下降的同时，有效防止大语言模型在仅使用良性数据微调时出现的安全对齐漂移。
Discrete Tokenization Unlocks Transformers for Calibrated Tabular Forecasting
该论文提出了一种利用离散化词汇和自适应高斯平滑的 Tokenizer 方法，成功使 Transformer 在表格数据预测任务中不仅超越了调优后的 XGBoost，还实现了概率分布的校准。
Dial: A Knowledge-Grounded Dialect-Specific NL2SQL System
本文提出了 Dial，一种基于知识的地域特定 NL2SQL 系统，通过引入方言感知逻辑查询规划、分层意图知识基以及执行驱动的调试验证循环，有效解决了现有方法在处理异构数据库方言时语义正确性与可执行性不足的问题，并在新构建的 DS-NL2SQL 基准测试中显著提升了翻译准确率与方言特性覆盖率。
SLNet: A Super-Lightweight Geometry-Adaptive Network for 3D Point Cloud Recognition
本文提出了 SLNet，一种基于非参数自适应点嵌入（NAPE）和几何调制单元（GMU）的超轻量级 3D 点云识别网络，在显著降低参数量和计算成本的同时，在 ModelNet40、ScanObjectNN 及 S3DIS 等多个基准测试中实现了与现有主流模型相媲美甚至更优的性能。
The Dual-Stream Transformer: Channelized Architecture for Interpretable Language Modeling
本文提出了双流 Transformer 架构，通过将残差流解耦为分别由注意力机制和前馈网络更新的双流结构，并引入可调节的混合策略，在仅造成极小性能损失（推荐策略为 2.5%）的同时显著提升了语言模型的内部可解释性。
Trusting What You Cannot See: Auditable Fine-Tuning and Inference for Proprietary AI
本文提出了 AFTUNE 框架，通过轻量级记录与抽查机制生成可验证的执行轨迹，从而在不过度增加计算开销的前提下，解决了云环境中大模型微调与推理过程因规模过大而难以审计的信任缺失问题。
Probabilistic Inference and Learning with Stein's Method
这篇专著全面概述了基于Stein方法的概率推断与学习的理论与方法，详细阐述了Stein算子与Stein集的构建、Stein差异的性质及其与Stein变分梯度下降的联系，并提供了严谨的定义、结果及证明参考。
Towards Lightweight Adaptation of Speech Enhancement Models in Real-World Environments
该论文提出了一种通过自监督训练更新低秩适配器来微调冻结骨干网络的轻量级框架，仅需更新不到 1% 的参数即可在动态声学场景中实现高效的语音增强模型自适应，显著提升了模型在复杂噪声环境下的鲁棒性与感知质量。
Contact-Guided 3D Genome Structure Generation of E. coli via Diffusion Transformers
该研究提出了一种基于条件扩散变换器的框架，利用 Hi-C 接触图谱引导生成具有高度构象多样性的*大肠杆菌*三维基因组结构集合，从而解决了传统方法仅能产生单一确定性结构的局限性。
Interpretable-by-Design Transformers via Architectural Stream Independence
该论文提出了通过架构流独立性（即保持符号结构与上下文语义在独立流中处理直至输出融合）来“按设计实现可解释性”的新范式，并通过晚融合架构（LFA）验证了该方法能有效防止信息过早纠缠、提升模型稳定性，从而将可解释性确立为一种可通过结构约束强制实现的架构设计准则。
Pushing Bistatic Wireless Sensing toward High Accuracy at the Sub-Wavelength Scale
本文针对双基无线传感中时钟异步导致的相位偏移问题，提出了一种利用信道响应幅度从失真的跨天线信道比率中恢复理想信道特征的鲁棒框架，从而在 Wi-Fi 和 LoRa 实验中实现了亚波长级的高精度位移感知。
Enhanced Random Subspace Local Projections for High-Dimensional Time Series Analysis
本文提出了一种增强的随机子空间局部投影（RSLP）框架，通过引入加权子空间聚合、类别感知采样、自适应子空间尺寸选择及针对依赖数据的自助法推断程序，有效解决了高维时间序列中预测变量多于观测值导致的过拟合与估计不稳定问题，显著提升了长预测 horizon 下的估计精度与推断可靠性。
A Unified Framework for Knowledge Transfer in Bidirectional Model Scaling
本文提出了首个尺寸无关的 BoT 框架，通过将模型权重视为连续信号并利用离散小波变换（DWT）将双向模型缩放统一为信号处理中的上采样与下采样操作，从而在显著降低预训练计算成本的同时实现了 DeiT、BERT 和 GPT 等模型在 GLUE 和 SQuAD 等基准测试上的最先进性能。
Online Continual Learning for Anomaly Detection in IoT under Data Distribution Shifts
本文提出了名为 OCLADS 的新型通信框架，通过结合设备端智能样本选择与边缘端分布偏移检测机制，实现了在数据分布动态变化的物联网环境中高效且低更新频率的在线持续异常检测。
A Unified View of Drifting and Score-Based Models
本文通过利用 Tweedie 公式，精确揭示了漂移模型（Drifting）与基于分数的扩散模型之间的内在联系，证明了高斯核漂移等价于在平滑分布上进行分数匹配，并进一步推导了通用径向核的分解形式及拉普拉斯核在低温和高维情形下的误差界，从而为理解漂移模型与分布匹配蒸馏（DMD）提供了统一的理论视角。
Reinforcement learning-based dynamic cleaning scheduling framework for solar energy system
该研究提出了一种基于强化学习的框架，通过动态优化干旱地区光伏面板的清洁调度，在阿布扎比案例中证明其相比传统方法能节省高达 13% 的成本并显著提升系统效率。
Beyond Data Splitting: Full-Data Conformal Prediction by Differential Privacy
该论文提出了一种基于差分隐私的全数据共形预测框架，通过利用隐私机制带来的稳定性并配合保守的分位数估计，在无需数据划分的情况下实现了比现有私有基线更锐利的预测集，并在渐近意义上恢复了标称覆盖率。
One-for-All Model Initialization with Frequency-Domain Knowledge
本文提出了一种名为 FRONT 的新型框架，该框架利用离散余弦变换（DCT）从预训练模型权重中提取低频“学习基因”，从而实现对任意规模下游模型的高效、免训练初始化，并在视觉和语言任务中显著加速收敛并降低训练成本。
Neural Dynamics-Informed Pre-trained Framework for Personalized Brain Functional Network Construction
该论文提出了一种神经动力学先验的预训练框架，通过提取异质场景下的个性化神经活动表征来指导脑区划分与相关性估计，从而克服了传统方法依赖固定图谱和线性假设的局限，显著提升了个性化脑功能网络构建的准确性与泛化能力。