10311 篇论文
该研究通过在 CSIRO 牧场生物量基准上的系统评估揭示了“融合复杂度反转”现象，即在数据稀缺的农业场景下，简单的双层门控深度卷积模块优于复杂的跨视图注意力或 SSM 架构，且骨干网络的预训练规模对性能的影响远超融合机制的选择。
该论文提出了一种基于双层优化的可迁移优化网络框架，通过分两步训练通用特征提取器和特定任务域适配器，有效利用跨域多样化数据解决图像重建中训练数据稀缺的难题，并在磁共振成像等任务中实现了高质量的重建效果。
本文提出了一种名为“梯度迭代时序差分学习”的新算法，通过计算移动目标的梯度来改进迭代 TD 学习，使其在保持梯度 TD 方法稳定性的同时，在 Atari 等多个基准测试中展现出与半梯度方法相媲美的学习速度。
该论文提出了一种名为"Guess & Guide"的轻量级零样本扩散引导方法，通过消除反向传播计算需求，在显著降低推理成本的同时实现了多种贝叶斯逆问题上的最优性能。
本文提出了 ReGEN-TAD 框架，这是一种融合现代机器学习与计量经济学诊断的可解释生成式模型，旨在通过结合联合预测与重构机制，在无标签数据下有效检测高维金融时间序列中的结构不稳定性和异常，并提供经济上可解释的因子级归因。
该论文提出了一种面向移动腿式机械臂的视点无关抓取流程，通过结合视觉语言模型、深度补偿与点云补全技术，在遮挡和局部观测的复杂环境中实现了高达 90% 的语言引导抓取成功率。
该论文受生物睡眠机制启发，提出了一种名为“睡眠回放巩固”（SRC）的后训练校准方法，通过选择性回放内部表征来更新网络权重，从而在不依赖监督重训练的情况下显著提升人工神经网络的置信度校准能力。
该论文针对现有视觉语言模型在酒店决策领域信息实用性评估的不足，提出了“信息性”评估框架并构建了专用数据集，研究发现模型需经过适度的领域微调才能有效利用视觉信号进行决策导向的信息推理。
该论文提出了一种对比张量预训练（CTP）框架，通过将传统的成对余弦相似度扩展为多模态相似性张量并引入张量损失，实现了视觉、文本和点云等多模态数据在统一嵌入空间中的联合对齐，从而显著提升了自动驾驶场景下的端到端性能。
本文通过粒子滤波（如序贯蒙特卡洛）的视角，为语言模型推理中的并行采样方法建立了理论框架，揭示了采样误差与奖励评估次数之间的非渐近关系，并指出了该方法在理论保证与最终准确率之间的根本局限。
本文提出了 VLM-SubtleBench 基准，旨在通过涵盖工业、医疗和航拍等多领域及十种细微差异类型的配对图像与问题，评估视觉语言模型在细微对比推理方面与人类水平的差距，并揭示了现有模型在复杂场景下的系统性不足。
该论文提出了一种基于决策理论的框架，通过融合人工智能天气预测模型与动态农民期望统计模型，成功开发了更精准的印度季风预报系统，并于 2025 年向 3800 万印度农民提供了有效的季节性降雨 onset 预报以辅助农业决策。
该论文提出了名为 SMGI 的结构化通用人工智能理论，通过形式化一个包含动态组件的元模型，将学习问题重新定义为学习接口本身的受控演化，并证明了经典机器学习范式均为该理论的结构受限特例。
本文提出了 LeJOT-AutoML 框架，利用大语言模型代理结合检索增强生成与工具链，自动化完成 Databricks 作业执行时间预测的特征工程，将特征构建周期从数周缩短至 20-30 分钟，并通过优化任务编排实现了 19.01% 的云成本节约。
本文提出了 E²OAL，一种无需独立检测器的统一开放集主动学习框架，它通过利用标签引导聚类挖掘未知类潜在结构并结合狄利克雷校准辅助头，有效提升了已知类判别能力与查询精度，在多个基准测试中显著优于现有最先进方法。
该论文提出了一种集成蒙特卡洛 Dropout、变分前馈层及随机注意力机制的贝叶斯 Transformer 框架，通过多分位数预测与校准技术，在多个电网数据集上实现了优于现有深度集成和确定性模型的负荷概率预测性能，特别是在极端天气下能提供更准确且校准良好的不确定性估计。
NaviDriveVLM 提出了一种将大规模导航器（负责推理）与轻量级驾驶员（负责动作生成）解耦的框架，在保留大模型语义推理能力的同时降低了训练成本，并在 nuScenes 基准测试中实现了优于现有大模型基线的端到端运动规划性能。
本文提出了 DyQ-VLA 框架，通过利用实时运动学代理进行感知敏感的位宽切换与动态分配，解决了具身视觉 - 语言 - 动作模型在静态量化中面临的时序动态敏感性与实时分配难题，在显著降低内存占用的同时保持了高性能并提升了推理速度。
本文针对关系数据库中实体分类任务存在的类别不平衡问题，提出了关系中心的小样本合成过采样图神经网络模型 Rel-MOSS，通过设计关系门控控制器和关系引导合成器来增强少数类信息表达与一致性，显著提升了模型在平衡准确率和几何平均数上的性能。
本文提出了一种利用源域侧信息（如特征矩界、分布距离和密度比）构建估计中心不确定性集的转移学习框架，通过融合有限目标样本与侧信息来生成更紧致的不确定性集，从而在环境发生显著偏移时有效缓解传统分布鲁棒优化方法的过度保守问题，显著提升了目标域策略的样本效率与性能。