Generative prediction of laser-induced rocket ignition with dynamic latent space representations
该论文提出了一种结合卷积自编码器与神经常微分方程的数据驱动代理建模方法，通过构建动态潜在空间表示，将激光点火火箭发动机的多物理场湍流模拟成本降低数个数量级，从而实现了对复杂燃烧系统的高效时空预测与不确定性量化。
🤖 Category
cs.LG
9623 篇论文
Obliviator Reveals the Cost of Nonlinear Guardedness in Concept Erasure
本文提出了名为 Obliviator 的后期概念擦除方法，通过迭代优化核函数组合来有效捕捉非线性统计依赖，从而在抵御非线性攻击的同时，量化并优化了属性保护与任务效用之间的权衡。
DreamSAC: Learning Hamiltonian World Models via Symmetry Exploration
DreamSAC 提出了一种结合基于哈密顿量的对称性探索策略与自监督对比学习的框架，通过主动收集符合物理守恒律的数据并从中学习不变性，显著提升了世界模型在物理模拟中面对新物理属性时的外推泛化能力。
COOL-MC: Verifying and Explaining RL Policies for Multi-bridge Network Maintenance
本文提出了 COOL-MC 工具，通过概率模型检查和可解释性分析，对基于强化学习的多桥梁网络维护策略进行了形式化验证与解释，揭示了其安全违规概率及决策偏差。
ECG Classification on PTB-XL: A Data-Centric Approach with Simplified CNN-VAE
该论文提出了一种以数据为中心的简化 CNN-VAE 模型，通过精细的数据预处理和类别平衡策略，在 PTB-XL 数据集上以极少的参数量实现了具有竞争力的心电图分类性能，强调了数据质量优于架构复杂性的重要性。
GRD-Net: Generative-Reconstructive-Discriminative Anomaly Detection with Region of Interest Attention Module
本文提出了一种名为 GRD-Net 的新型异常检测架构，该架构结合基于残差自编码器的生成对抗网络与区域兴趣（ROI）注意力模块，通过利用正常样本及合成缺陷数据进行训练，实现了无需复杂后处理算法即可精准定位工业表面缺陷（如药瓶铝盖）的异常检测。
Revisiting the LiRA Membership Inference Attack Under Realistic Assumptions
该论文通过引入抗过拟合、迁移学习、基于影子模型的阈值校准及非平衡先验等现实假设，重新评估了成员推断攻击（LiRA），发现其在实际生产环境下的攻击效果显著低于以往研究结论，并强调了可复现性在隐私审计中的重要性。
Constraints Matrix Diffusion based Generative Neural Solver for Vehicle Routing Problems
本文提出了一种基于约束矩阵扩散的生成式神经求解器，通过利用离散噪声图扩散模型学习车辆路径问题的约束并生成约束分配矩阵，将其自适应地融入自回归求解器的特征学习与决策过程，从而在 CVRPlib 数据集的广泛测试中实现了兼顾全局视野与局部特征整合的卓越性能。
A Systematic Comparison of Training Objectives for Out-of-Distribution Detection in Image Classification
该论文在 OpenOOD 标准协议下，系统比较了交叉熵、原型、三元组及平均精度四种训练目标在图像分类中的分布外检测性能，发现交叉熵损失在保持分布内精度的同时，能提供最为稳健的近域与远域分布外检测效果。
TS-MLLM: A Multi-Modal Large Language Model-based Framework for Industrial Time-Series Big Data Analysis
本文提出了 TS-MLLM 框架，通过结合工业时序补丁建模、谱感知视觉语言模型适配以及时序中心多模态注意力融合机制，实现了对工业时序数据中时间信号、频域图像和文本知识的统一多模态建模，从而在工业设备健康管理任务中显著提升了预测的准确性、鲁棒性和泛化能力。
Integration of deep generative Anomaly Detection algorithm in high-speed industrial line
该论文提出了一种基于生成对抗网络与残差自编码器的半监督异常检测框架，通过仅使用标称样本训练，成功在制药行业高速吹灌封（BFS）生产线上实现了满足 500 毫秒时序约束的高精度在线缺陷检测与定位。
Analysis-Driven Procedural Generation of an Engine Sound Dataset with Embedded Control Annotations
本文提出了一种基于分析驱动的引擎声音生成框架，通过从真实录音中提取谐波结构并驱动参数化合成器，构建了包含精确转速与扭矩标注的“程序化引擎声音数据集”，以解决高质量标注数据稀缺的问题并支持相关领域的研究与开发。
Models as Lego Builders: Assembling Malice from Benign Blocks via Semantic Blueprints
该论文揭示了大型视觉语言模型（LVLMs）存在一种通过语义槽填充将看似无害的视觉块组装成恶意内容的新型漏洞，并据此提出了一种名为 StructAttack 的黑盒单查询越狱框架，该框架通过将有害查询分解为良性槽位并嵌入结构化视觉提示，成功诱导模型绕过安全机制生成有害输出。
Shorter Thoughts, Same Answers: Difficulty-Scaled Segment-Wise RL for CoT Compression
该论文提出了难度缩放的分段式 GRPO（DSS-GRPO）方法，通过将奖励信号分解为思维与回答两个独立部分并施加难度感知调整，在有效压缩思维链长度的同时避免了模型回答质量的下降。
MetaSort: An Accelerated Approach for Non-uniform Compression and Few-shot Classification of Neural Spike Waveforms
本文提出了一种名为 MetaSort 的新算法，通过结合自适应电平交叉压缩、潜在特征表示以及利用数据几何信息的元迁移学习框架，同时实现了神经脉冲波形的高效非均匀压缩与少样本分类，并在体内数据实验中验证了其优异性能及片上超低功耗实现的潜力。
TT-Sparse: Learning Sparse Rule Models with Differentiable Truth Tables
本文提出了 TT-Sparse，一种利用可微真值表和新型软 TopK 算子来端到端学习稀疏规则模型的神经网络模块，该方法在保持高效计算和精确符号规则提取能力的同时，在多个数据集上实现了优于现有最先进方法的预测性能与更低的模型复杂度。
MAS-H2: A Hierarchical Multi-Agent System for Holistic Cloud-Native Autoscaling
本文提出了 MAS-H2，一种基于分层多智能体系统的云原生自动扩缩容方案，它通过将业务策略转化为全局效用函数并实施端到端的预测性规划与执行，有效解决了传统方案中策略与资源脱节的问题，在降低 CPU 负载峰值、应对突发流量及实现零停机战略迁移方面显著优于原生 Kubernetes 自动扩缩容机制。
Compression as Adaptation: Implicit Visual Representation with Diffusion Foundation Models
该论文提出了一种将视觉信号编码为冻结生成模型低秩适配参数的函数式隐式表示框架，通过将其哈希为紧凑向量，实现了极低码率下的高感知视频压缩，并构建了连接视觉压缩与生成的统一范式。
SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control
该论文提出了一种名为 SMAT 的四阶段多智能体训练课程，通过模拟人类自然适应过程来训练髋部外骨骼控制器，使其在无需针对特定用户重新训练的情况下，即可在物理实验中实现一致的辅助效果并显著降低肌肉激活度。
Accelerating Diffusion Models for Generative AI Applications with Silicon Photonics
该论文提出了一种基于硅光学的新型扩散模型加速器，实验表明其在能效和吞吐量上分别比现有最先进加速器提升了至少 3 倍和 5.5 倍，从而有效解决了扩散模型在电子平台上推理能耗高的问题。