Enhancing SHAP Explainability for Diagnostic and Prognostic ML Models in Alzheimer Disease
该论文提出了一种多层次可解释性框架，通过在 NACC 数据集上整合多种指标，验证了 SHAP 方法在阿尔茨海默病诊断与预后模型中跨任务、跨阶段及跨架构的解释具有高度的一致性与稳定性，从而增强了临床应用的可靠性。
🤖 Category
cs.LG
12775 篇论文
Diversity-Aware Adaptive Collocation for Physics-Informed Neural Networks via Sparse QUBO Optimization and Hybrid Coresets
该论文提出了一种基于稀疏 QUBO 优化和混合核心集构建的多样性感知自适应配点方法，通过从候选池中筛选兼具高信息量与低冗余度的点集，有效解决了物理信息神经网络（PINNs）在训练效率与精度上的瓶颈问题。
Prediction of Steady-State Flow through Porous Media Using Machine Learning Models
该研究提出了一种基于机器学习的框架，通过对比卷积自编码器、U-Net 和傅里叶神经操作符（FNO）三种架构，发现 FNO 在预测多孔介质稳态流动方面表现最优，其均方误差低至 0.0017 且比传统计算流体力学方法快 1000 倍，同时具备网格不变性，为冷板拓扑优化提供了高效可扩展的替代方案。
Metalearning traffic assignment for network disruptions with graph convolutional neural networks
该论文提出了一种结合图卷积神经网络与元学习架构的方法，使模型能够快速适应因道路网络中断（如封闭）和出行需求变化而同时改变的图结构与 OD 矩阵，从而在未见过的极端场景下实现高精度的交通流预测（R²约 0.85）。
Failure Detection in Chemical Processes using Symbolic Machine Learning: A Case Study on Ethylene Oxidation
本文提出了一种基于符号机器学习的故障预测方法，通过利用化学过程模拟器生成的数据，在乙烯氧化案例中证明了该方法在保持模型可解释性的同时，其性能优于随机森林和多层感知机等基线模型，并探讨了其在辅助化工操作员决策中的应用潜力。
Gauge Freedom and Metric Dependence in Neural Representation Spaces
该论文从几何视角指出神经网络表示空间存在线性变换的规范自由度，揭示了常用相似度度量（如余弦相似度）会因坐标变换而改变，并主张表征分析应聚焦于规范不变量或明确定义的规范坐标。
HGT-Scheduler: Deep Reinforcement Learning for the Job Shop Scheduling Problem via Heterogeneous Graph Transformers
本文提出了一种基于异构图 Transformer 的强化学习调度框架（HGT-Scheduler），通过将作业车间调度问题建模为异构图并利用边类型感知的注意力机制来捕捉不同的关系语义，从而在 Fisher-Thompson 基准测试中显著提升了调度策略的性能。
SpatialMAGIC: A Hybrid Framework Integrating Graph Diffusion and Spatial Attention for Spatial Transcriptomics Imputation
SpatialMAGIC 是一种结合图扩散与空间自注意力机制的混合框架，旨在解决空间转录组数据的高稀疏性和技术噪声问题，通过有效恢复缺失表达值并保留空间一致性，在聚类精度和下游生物分析中显著优于现有基准方法。
xaitimesynth: A Python Package for Evaluating Attribution Methods for Time Series with Synthetic Ground Truth
本文介绍了名为 xaitimesynth 的 Python 开源包，旨在通过生成带有已知真实标签的合成时间序列数据，为评估时间序列归因方法提供可复用、灵活且可复现的基础设施及标准评估指标。
Physics-Informed Diffusion Model for Generating Synthetic Extreme Rare Weather Events Data
该论文提出了一种基于 Context-UNet 架构的物理信息扩散模型，通过结合关键大气参数条件生成具有物理一致性的多光谱卫星图像合成数据，有效解决了热带气旋快速增强等极端罕见气象事件样本稀缺及类别不平衡问题，从而提升了气象检测算法的鲁棒性。
Optimistic Policy Regularization
本文提出了乐观策略正则化（OPR）方法，通过维护高绩效轨迹的动态缓冲区并利用方向性对数比率奖励塑造及辅助行为克隆目标来防止策略过早收敛，从而在 Atari 游戏和 CAGE 网络安全挑战中显著提升了样本效率与最终性能。
Best-of-Tails: Bridging Optimism and Pessimism in Inference-Time Alignment
该论文提出了一种名为 Best-of-Tails (BoT) 的自适应推理时对齐框架，通过利用 Hill 估计器动态识别奖励分布的尾部特征，并借助 Tsallis 散度在“乐观”的 Best-of-N 策略与“悲观”的正则化方法之间进行自适应权衡，从而有效解决了大语言模型对齐中奖励黑客与探索不足之间的根本矛盾。
NEST: Network- and Memory-Aware Device Placement For Distributed Deep Learning
本文提出了 NEST，一种结合结构化动态规划的网络、计算与内存感知设备放置框架，通过统一建模并行策略、网络拓扑及内存约束，显著提升了分布式深度学习训练的吞吐量、内存效率与可扩展性。
Multi-Agent Reinforcement Learning with Submodular Reward
该论文首次建立了具有子模奖励（即边际收益递减）的合作多智能体强化学习框架，并提出了在已知和未知动力学下分别具有多项式复杂度近似保证和 遗憾界的高效算法。
CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression
本文提出了 CREDO 方法，通过先构建能反映认知不确定性的可信集包络、再应用分箱共形校准，实现了兼具分布无关覆盖率保证与可解释性（可分解为偶然噪声、认知膨胀及校准松弛）的回归预测区间。
Joint 3D Gravity and Magnetic Inversion via Rectified Flow and Ginzburg-Landau Guidance
该论文提出了一种基于整流流和 Ginzburg-Landau 正则化的新型联合反演框架，通过在 Noddyverse 数据集上训练，解决了传统方法无法捕捉解分布的问题并实现了物理感知的三维重力与磁法联合反演。
Bilateral Trade Under Heavy-Tailed Valuations: Minimax Regret with Infinite Variance
该论文研究了具有无界方差（有限 阶矩，）和 -Hölder 连续市场价值函数的上下文双边贸易问题，通过扩展自界性质并结合截断均值估计，确定了最小最大遗憾的精确收敛速率，该速率在 时退化为经典非参数速率，而在 时趋于线性速率。
Contextual Counterfactual Credit Assignment for Multi-Agent Reinforcement Learning in LLM Collaboration
该论文提出了一种名为 C3 的上下文反事实信用分配方法，通过冻结对话上下文并评估固定续写下的留一法基线，有效解决了大语言模型多智能体协作中因稀疏终端反馈导致的决策级信用分配难题，从而显著提升了终端性能与信用分配的准确性。
IGLU: The Integrated Gaussian Linear Unit Activation Function
本文提出了一种名为 IGLU 的新型参数化激活函数，它基于半正态混合分布推导得出，利用具有重尾特性的柯西累积分布函数作为门控机制，在理论上解决了梯度消失问题并实现了从类恒等到类 ReLU 行为的平滑插值，同时通过高效的有理近似版本 IGLU-Approx 在多种视觉和语言模型任务中实现了媲美或超越 ReLU 与 GELU 的性能，且显著降低了计算成本。
Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations
本文提出了名为 SymLang 的统一框架，通过结合类型化对称约束语法、语言模型引导的程序合成以及 MDL 正则化贝叶斯模型选择，在含噪和部分观测条件下显著提升了从实验数据中精确发现物理控制方程的准确性与可解释性。