FuseDiff: Symmetry-Preserving Joint Diffusion for Dual-Target Structure-Based Drug Design
本文提出了 FuseDiff，这是一种基于对称性保持的端到端联合扩散模型，能够同时生成适配两个靶点口袋的配体分子图及其结合构象，从而克服了现有方法在双靶点结构药物设计中无法有效联合建模的局限，实现了最先进的对接性能。
🤖 Category
cs.LG
11462 篇论文
Learning Optimal Distributionally Robust Individualized Treatment Rules Integrating Multi-Source Data
该论文提出了一种融合多源数据并基于先验信息的分布鲁棒个体化治疗规则（PDRO-ITR）方法，通过构建随协变量变化的分布不确定性集来应对后验偏移问题，从而在确保最坏情况下稳健性能的同时实现了优于现有方法的决策效率。
Machine Learning for analysis of Multiple Sclerosis cross-tissue bulk and single-cell transcriptomics data
该研究开发了一种端到端的机器学习流程，整合了多组织（外周血和脑脊液）的批量及单细胞转录组数据，利用 XGBoost 分类器和 SHAP 可解释性分析成功区分多发性硬化症患者与健康对照，并揭示了包括非经典免疫检查点、脂质运输及 EB 病毒相关通路在内的关键致病机制和潜在生物标志物。
Why Depth Matters in Parallelizable Sequence Models: A Lie Algebraic View
该论文从李代数控制视角出发，建立了序列模型深度与李代数扩展塔之间的对应关系，证明了增加深度能使近似误差呈指数级下降，从而在理论上解释了并行化序列模型（如 Transformer 变体）在表达力受限时的误差缩放规律及其强大的实证性能。
Prediction-Powered Conditional Inference
本文提出了一种结合核函数定位与机器学习预测校正的统计推断方法，旨在利用少量标注数据和大量无标签数据，在不依赖参数模型假设的情况下，实现对固定测试点处条件函数量（如条件均值）的高效、有效且方差更小的统计推断。
Koopman Regularized Deep Speech Disentanglement for Speaker Verification
该论文提出了一种名为 DKSD-AE 的深度学习架构，通过结合多步 Koopman 算子学习模块与实例归一化技术，在无文本监督且参数更少的情况下，实现了说话人特征与语音内容的高效解耦，并在说话人验证任务中展现出优于或媲美现有最先进方法的性能及鲁棒性。
A Novel Hybrid Heuristic-Reinforcement Learning Optimization Approach for a Class of Railcar Shunting Problems
本文提出了一种结合铁路专用启发式方法与 Q 学习的混合启发式强化学习（HHRL）框架，通过将双端接入、双机车协同的铁路调车问题分解为单侧接入子问题，有效提升了复杂调车场景下的求解效率与质量。
Spatiotemporal Heterogeneity of AI-Driven Traffic Flow Patterns and Land Use Interaction: A GeoAI-Based Analysis of Multimodal Urban Mobility
该研究提出了一种融合 MGWR、随机森林和时空图卷积网络的 GeoAI 混合分析框架，通过实证分析揭示了土地利用与多模式交通流之间复杂的空间异质性相互作用，显著提升了预测精度并识别出五种功能各异的交通类型，为制定基于证据的多模态交通管理和土地利用政策提供了可解释的工具。
Bias In, Bias Out? Finding Unbiased Subnetworks in Vanilla Models
本文提出了一种名为“偏差不变子网络提取（BISE）”的策略，旨在无需重新训练或额外数据的情况下，通过剪枝技术从标准预训练模型中直接提取出具备去偏能力且性能鲁棒的子网络，从而实现高效的结构化偏差缓解。
On the Value of Tokeniser Pretraining in Physics Foundation Models
该论文首次系统研究了物理基础模型中 Tokenizer 预训练的价值，发现通过在相同物理系统上进行自编码预训练，可显著提升下游动力学建模的计算效率与精度（VRMSE 降低 64%），并提出了支持运行时调整压缩比的灵活时空压缩操作。
From Decoupled to Coupled: Robustness Verification for Learning-based Keypoint Detection with Joint Specifications
该论文提出了首个针对基于热力图的关键点检测器的耦合鲁棒性验证框架，通过混合整数线性规划将验证问题转化为联合偏差约束下的反例搜索，从而克服了传统解耦方法在连续坐标输出和高维输入下的局限性，实现了对关键点间依赖关系及下游任务需求的更紧确且有效的鲁棒性证明。
Behavior-dLDS: A decomposed linear dynamical systems model for neural activity partially constrained by behavior
本文提出了行为分解线性动态系统（b-dLDS）模型，旨在从大规模神经活动中解耦与行为直接相关的动态子系统和并行内部计算，并在模拟数据及斑马鱼大规模神经记录中验证了其在识别行为相关动态连接网络方面的优越性。
RACAS: Controlling Diverse Robots With a Single Agentic System
该论文提出了 RACAS 系统，这是一种通过自然语言交互的协作智能体架构，仅需机器人描述、动作定义和任务指令即可在不修改代码或模型权重的情况下，实现对轮式地面机器人、多关节机械臂及水下车辆等多样化平台的统一闭环控制。
Identifying Adversary Characteristics from an Observed Attack
本文提出了一种领域无关的框架，旨在从观测到的攻击中推断攻击者的特征，以解决攻击者不可识别的问题，并帮助防御者通过外部缓解措施或优化学习过程来更有效地应对威胁。
Making Reconstruction FID Predictive of Diffusion Generation FID
该论文提出了一种名为插值 FID（iFID）的新指标，通过检索数据集中每个样本在潜在空间中的最近邻并插值其潜在表示，成功解决了传统重建 FID 与扩散生成 FID 相关性差的问题，实现了高达 0.85 的强相关性预测。
When Rubrics Fail: Error Enumeration as Reward in Reference-Free RL Post-Training for Virtual Try-On
本文针对缺乏理想参考答案的参考自由强化学习场景，提出了通过加权枚举错误而非构建评分标准来生成奖励的“隐式错误计数”（IEC）方法，并在虚拟试衣任务中验证了其优于传统“评分标准即奖励”（RaR）及多种基线的性能。
The Value of Graph-based Encoding in NBA Salary Prediction
该论文提出通过构建融合场上与场外数据的知识图谱并进行向量嵌入，将其作为特征融入表格数据，从而显著提升了对 NBA 球员薪资（尤其是老将及高薪球员）的预测精度。
Reinforcement Learning for Power-Flow Network Analysis
该论文提出了一种基于强化学习的方法，通过设计概率奖励函数和模拟状态空间，成功找到了具有远超高斯模型平均值的多个实数解的电力潮流方程实例，从而展示了强化学习在解决复杂非线性代数与几何问题及电力网络设计分析中的巨大潜力。
Improved Scaling Laws via Weak-to-Strong Generalization in Random Feature Ridge Regression
该论文通过随机特征岭回归的确定性等价分析，证明了在弱到强泛化场景下，即使教师模型标签不完美甚至测试误差不随样本量下降，强学生模型仍能通过两阶段训练突破原有缩放律限制，在偏差主导和方差主导区域均实现更优的测试误差缩放甚至达到极小极大最优速率。
Parallelization Strategies for Dense LLM Deployment: Navigating Through Application-Specific Tradeoffs and Bottlenecks
该论文通过实证研究 Llama-3.1 系列稠密大语言模型，揭示了张量并行（TP）与流水线并行（PP）在降低延迟与提升吞吐量方面的不同优势，并指出通过灵活配置两者的混合策略可有效平衡延迟与吞吐量的权衡，从而满足特定的服务等级协议需求。