MUSA-PINN: Multi-scale Weak-form Physics-Informed Neural Networks for Fluid Flow in Complex Geometries
本文提出了一种名为 MUSA-PINN 的多尺度弱形式物理信息神经网络，通过将偏微分方程约束重构为分层球体控制体积上的积分守恒律，有效解决了复杂几何（如 TPMS）中传统 PINN 因局部偏差导致的收敛困难和守恒违反问题，显著提升了流体流动模拟的精度并确保了质量守恒。
🤖 Category
cs.LG
10330 篇论文
Integrating Lagrangian Neural Networks into the Dyna Framework for Reinforcement Learning
本文提出了一种将拉格朗日神经网络集成到基于 Dyna 框架的模型强化学习中的方法，通过引入物理定律约束并利用状态估计优化器加速训练，有效提升了模型预测的准确性与样本效率。
STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching
本文提出了 STRIDE 框架，通过联合训练拉格朗日神经网络以保留保守刚体力学结构，并利用条件流匹配建模非保守的随机交互残差，从而在不确定环境中显著降低了长时程预测误差和接触力预测误差。
X-AVDT: Audio-Visual Cross-Attention for Robust Deepfake Detection
该论文提出了利用生成器内部音频 - 视觉交叉注意力机制的 X-AVDT 检测器，并发布了涵盖多种合成范式的 MMDF 数据集，从而在跨生成器泛化能力和检测精度上显著超越了现有方法。
NN-OpInf: an operator inference approach using structure-preserving composable neural networks
本文提出了一种名为 NN-OpInf 的算子推断框架，该框架利用结构保持的可组合神经网络，通过从快照数据中学习潜在动力学并强制局部算子结构（如斜对称性和梯度保持），实现了比传统多项式算子推断（P-OpInf）在准确性、稳定性和鲁棒性方面更优的非侵入式降阶建模，尤其适用于包含非多项式非线性的复杂动力学系统。
Pareto-Optimal Anytime Algorithms via Bayesian Racing
该论文提出了名为 PolarBear 的框架，通过基于贝叶斯竞赛的自适应采样和时序 Plackett-Luce 排序模型，在无需归一化或已知最优值的情况下，高效识别出任意时间优化算法的帕累托最优集，从而支持在未知计算预算下的稳健算法选择。
Efficient Credal Prediction through Decalibration
该论文提出了一种基于“去校准”（decalibration）技术的高效可信预测方法，通过为每个类别生成概率区间来表征认知不确定性，从而克服了传统集成方法的高计算成本，成功将可信预测应用于 TabPFN 和 CLIP 等复杂基础模型。
Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos
本文提出了名为 Echo2ECG 的多模态自监督学习框架，通过整合多视角超声心动图的心脏形态信息来增强心电图表征，从而在结构表型分类和相似性检索等临床任务中显著优于现有基线模型。
Oracle-Guided Soft Shielding for Safe Move Prediction in Chess
本文提出了一种名为“Oracle 引导的软屏蔽（OGSS）”的框架，通过结合策略模型与基于 Stockfish 评估的失误预测模型，在保持国际象棋探索能力的同时显著降低了战术失误率，从而实现了更安全且高效的决策。
Breaking the Bias Barrier in Concave Multi-Objective Reinforcement Learning
该论文针对凹多目标强化学习中因非线性标量化导致的策略梯度偏差问题，提出了一种结合多水平蒙特卡洛估计的自然策略梯度算法，证明了其能以最优的 样本复杂度克服现有方法的偏差瓶颈。
Towards Effective and Efficient Graph Alignment without Supervision
该论文提出了一种名为 GlobAlign 及其高效变体 GlobAlign-E 的无监督图对齐新方法，通过引入全局表示与分层跨图传输成本机制，在显著提升对齐精度的同时，将最优传输方法的复杂度从立方级降低至平方级，从而有效解决了现有方法在精度与效率之间的权衡难题。
The Neural Compass: Probabilistic Relative Feature Fields for Robotic Search
本文提出了 ProReFF 模型，通过从无标签观测中隐式学习物体共现的相对特征分布，并利用该语义先验引导机器人搜索，使其在 Matterport3D 仿真环境中的搜索效率比最强基线提升 20%，达到人类性能的 80%。
Interactive World Simulator for Robot Policy Training and Evaluation
本文提出了“交互式世界模拟器”（Interactive World Simulator）框架，利用一致性模型从中等规模数据集构建快速且物理一致的交互世界模型，不仅支持长达 10 分钟以上的稳定仿真，还证明了在此生成的数据训练出的机器人策略在真实世界中能达到与真实数据训练相当的性能，并实现了仿真与实机表现的高度相关性。
Generative Adversarial Regression (GAR): Learning Conditional Risk Scenarios
本文提出了生成对抗回归（GAR）框架，通过最小化生成器在对抗性策略下与真实数据在可导出风险泛函（如 VaR 和 ES）上的条件风险差异，从而生成能更好地保留下游风险特征的稳健条件风险场景。
Impact of Connectivity on Laplacian Representations in Reinforcement Learning
该论文证明了在马尔可夫决策过程中，基于学习到的谱特征进行线性价值函数近似的误差上界与状态图的代数连通性密切相关，并给出了从特征估计到整体误差分解的完整理论分析，且该结论适用于非均匀策略及非对称转移核的通用场景。
Trust via Reputation of Conviction
该论文通过数学形式化构建了基于“确信度”（即来源立场被独立共识验证的可能性）的信任框架，论证了确信度是比正确性或忠实性更可靠的信任基础，并指出持续验证机制是 AI 等来源建立稳健声誉的唯一途径。
Drift-to-Action Controllers: Budgeted Interventions with Online Risk Certificates
本文提出了 Drift2Act 控制器，通过结合漂移感知与在线风险证书，在标签延迟和计算预算约束下将模型监控转化为受安全约束的决策过程，从而在确保极低安全风险的同时实现高效、低成本的自动恢复。
DualFlexKAN: Dual-stage Kolmogorov-Arnold Networks with Independent Function Control
本文提出了 DualFlexKAN（DFKAN），一种通过双阶段机制独立控制输入变换与输出激活的灵活架构，它支持多种基函数族与正则化策略，在显著降低参数量（比标准 KAN 少一至两个数量级）的同时，实现了比 MLP 和传统 KAN 更优的精度、收敛速度及梯度保真度，特别适用于数据高效学习与科学应用中的可解释函数发现。
Towards Batch-to-Streaming Deep Reinforcement Learning for Continuous Control
本文提出了两种专为资源受限硬件设计的新型流式深度强化学习算法（S2AC 和 SDAC），它们在无需繁琐超参数调优的情况下实现了与现有流式基线相当的性能，并有效解决了从批量学习向流式学习过渡以用于 Sim2Real 等在线微调场景的实际挑战。
Don't Look Back in Anger: MAGIC Net for Streaming Continual Learning with Temporal Dependence
本文提出了一种名为 MAGIC Net 的新型流式持续学习框架，该框架通过结合持续学习架构策略与循环神经网络，利用可学习掩码机制在在线推理的同时有效应对概念漂移、时间依赖和灾难性遗忘挑战。