Rethinking Deep Research from the Perspective of Web Content Distribution Matching
该论文提出了名为 WeDas 的框架，通过引入查询 - 结果对齐评分和少样本探测机制，使智能体能够感知并适应网络内容的分布结构，从而有效弥合了深度推理与底层检索之间的差距，显著提升了多基准测试中的子目标完成度与准确性。
🤖 Category
cs.LG
13009 篇论文
LF2L: Loss Fusion Horizontal Federated Learning Across Heterogeneous Feature Spaces Using External Datasets Effectively: A Case Study in Second Primary Cancer Prediction
该研究针对肺癌幸存者二次原发癌症预测中本地数据受限及多源数据融合难题，提出了一种利用外部 SEER 数据并通过损失融合机制解决特征异构与隐私保护问题的水平联邦学习框架（LF2L），显著提升了模型的预测性能。
Turning Time Series into Algebraic Equations: Symbolic Machine Learning for Interpretable Modeling of Chaotic Time Series
该论文提出了两种互补的符号预测器（SyNF 和 SyTF），能够从混沌时间序列数据中学习显式且可解释的代数方程，在保持与深度学习相当的短期预测精度的同时，克服了黑盒模型缺乏科学洞察力的局限。
Adaptive Double-Booking Strategy for Outpatient Scheduling Using Multi-Objective Reinforcement Learning
该论文提出了一种结合多头注意力软随机森林预测患者爽约风险与多策略近端策略优化强化学习的自适应双预约框架，通过基于 KL 散度的新颖τ规则实现策略间知识迁移，从而动态优化门诊预约决策以平衡爽约、拥堵与等待时间等多重目标。
Variational Flow Maps: Make Some Noise for One-Step Conditional Generation
本文提出了变分流图（VFMs）框架，通过将条件生成问题转化为学习适配观测的初始噪声分布，实现了在单步前向传播中生成高质量且校准良好的条件样本，从而在解决逆问题时显著超越了传统迭代扩散模型的效率。
Fast and Flexible Audio Bandwidth Extension via Vocos
本文提出了一种基于 Vocos 的音频带宽扩展模型，该模型利用神经声码器骨干网络生成缺失的高频内容，并通过轻量级滤波器平滑融合，在 NVIDIA A100 GPU 和 CPU 上均实现了极低延迟的实时高质量音频增强。
Spectral Discovery of Continuous Symmetries via Generalized Fourier Transforms
该论文提出了一种基于广义傅里叶变换的谱分析框架，通过检测不可约表示中由连续对称性诱导的结构化稀疏模式，从而无需优化生成元即可有效发现未知的一参数子群对称性。
AutoResearch-RL: Perpetual Self-Evaluating Reinforcement Learning Agents for Autonomous Neural Architecture Discovery
AutoResearch-RL 是一个无需人工干预的强化学习框架，它通过将环境冻结、目标代码可变与元学习器分离，在持续自我评估中自动发现并优化神经网络架构，最终在单 GPU 基准测试中达到了与人工调优相当甚至更优的性能。
Retrieval-Augmented Multi-scale Framework for County-Level Crop Yield Prediction Across Large Regions
该论文提出了一种检索增强的多尺度框架，通过结合捕捉短期生长动态与长期依赖的骨干模型及消除跨年份偏差的检索优化策略，显著提升了美国大范围县域玉米产量预测的准确性与空间泛化能力。
StructSAM: Structure- and Spectrum-Preserving Token Merging for Segment Anything Models
本文提出了 StructSAM，一种专为 Segment Anything Model (SAM) 设计的结构与谱保持令牌合并框架，它通过基于梯度的令牌能量评分和网格平坦度筛选机制，在显著降低计算量的同时有效保护了边界细节与提示信息，从而在多个自然及医学基准测试中优于现有方法。
Adversarial Latent-State Training for Robust Policies in Partially Observable Domains
该论文针对部分可观测强化学习中的潜在初始状态分布偏移问题，提出了对抗性潜在初始状态 POMDP 框架，通过理论证明最小最大原理并设计迭代最佳响应训练策略，在 Battleship 基准测试中显著降低了策略的鲁棒性差距，证实了结构化对抗暴露能有效缓解最坏情况下的脆弱性。
Shutdown Safety Valves for Advanced AI
该论文探讨了一种非传统的解决高级人工智能可能抗拒被关闭这一担忧的方案，即赋予人工智能“被关机”作为其主要目标，并分析了该方案在何种条件下可行。
ShakyPrepend: A Multi-Group Learner with Improved Sample Complexity
本文提出了名为 ShakyPrepend 的多组学习算法，该方法利用差分隐私相关工具改善了样本复杂度理论保证，并通过实验证明其能自适应地处理组结构及空间异质性，同时为实际部署提供了实用指导。
Norm-Hierarchy Transitions in Representation Learning: When and Why Neural Networks Abandon Shortcuts
该论文提出了“范数层级过渡”（NHT）框架，揭示了神经网络在正则化优化过程中，通过权重衰减缓慢遍历参数范数层级，从而从依赖捷径解过渡到结构化解的机制，并证明了这一过渡的延迟时间与捷径和结构化解之间的范数比呈对数关系。
Explainable and Hardware-Efficient Jamming Detection for 5G Networks Using the Convolutional Tsetlin Machine
本文提出了一种基于卷积田鼠机（CTM）的轻量级、可解释且硬件高效的 5G 网络干扰检测方案，该方案在真实 5G 测试床上验证了其性能，相比传统卷积神经网络（CNN）在保持相当检测精度的同时显著提升了训练速度并降低了内存占用，且具备在 FPGA 边缘设备上部署的潜力。
Learning Concept Bottleneck Models from Mechanistic Explanations
本文提出了名为 Mechanistic CBM (M-CBM) 的新型概念瓶颈模型框架，该框架通过稀疏自编码器从黑盒模型中提取并命名内在概念，从而在严格控制信息泄露的前提下，显著提升了概念预测的准确性、决策稀疏性及解释的简洁性，并超越了现有的概念瓶颈模型。
Learning Clinical Representations Under Systematic Distribution Shift
该论文提出了一种多模态临床预测的实践不变表示学习框架，通过联合优化预测性能与抑制环境依赖信息，有效解决了因医疗实践差异导致的系统性分布偏移问题，显著提升了模型在跨机构场景下的泛化能力与校准度。
A Distributed Gaussian Process Model for Multi-Robot Mapping
该论文提出了一种名为 DistGP 的分布式多机器人学习方法，它利用稀疏高斯过程模型和基于高斯信念传播的分布式训练机制，在仅依赖局部数据的情况下实现了与集中式模型相当的精度，且在动态连接、稀疏通信及持续学习场景下优于现有的树结构高斯过程和分布式神经网络优化器。
AgrI Challenge: A Data-Centric AI Competition for Cross-Team Validation in Agricultural Vision
该论文提出了 AgrI 挑战赛，通过引入多团队独立采集数据的跨团队验证（CTV）评估范式，揭示了单一数据源训练在农业视觉任务中的泛化缺陷，并证明了多源协作训练能显著缩小跨域泛化差距，同时发布了一个包含 5 万余张图像的大规模公开数据集以推动数据为中心的农业视觉研究。
Latent Generative Models with Tunable Complexity for Compressed Sensing and other Inverse Problems
该论文提出了一种利用嵌套 Dropout 为扩散模型、归一化流和变分自编码器引入可调复杂度先验的方法，通过在压缩感知等逆问题中动态平衡表示误差与过拟合风险，显著降低了重建误差并提供了相应的理论分析。