SaiVLA-0: Cerebrum--Pons--Cerebellum Tripartite Architecture for Compute-Aware Vision-Language-Action
SaiVLA-0 提出了一种受神经科学启发的“大脑 - 脑桥 - 小脑”三分架构，通过冻结的高层多模态先验、实时意图整合适配器及并行快速控制解码器，实现了计算感知、模块化且高效的视觉 - 语言 - 动作系统，并在 LIBERO 基准测试中显著提升了训练效率与任务成功率。
🤖 Category
cs.LG
13021 篇论文
Foley-Flow: Coordinated Video-to-Audio Generation with Masked Audio-Visual Alignment and Dynamic Conditional Flows
本文提出了 FoleyFlow，一种通过掩码建模训练实现音视频语义与节奏对齐，并利用动态条件流框架基于视频特征生成协调音频的新方法，其在基准测试中显著超越了现有成果。
TRIAGE: Type-Routed Interventions via Aleatoric-Epistemic Gated Estimation in Robotic Manipulation and Adaptive Perception -- Don't Treat All Uncertainty the Same
该论文提出了一种名为 TRIAGE 的轻量级后处理框架，通过将不确定性分解为源于观测噪声的偶然性不确定性和源于模型失配的认知不确定性，并据此分别触发观测恢复、控制调节及感知模型容量选择等针对性响应，从而在机器人操作和自适应感知任务中显著提升了系统性能与效率。
Explainable Condition Monitoring via Probabilistic Anomaly Detection Applied to Helicopter Transmissions
该论文提出了一种仅利用健康数据、基于贝叶斯视角的概率异常检测方法，通过量化不确定性并提供可解释性工具，在直升机传动系统等安全关键场景中实现了具有竞争力的故障检测与预警性能。
Mitigating Homophily Disparity in Graph Anomaly Detection: A Scalable and Adaptive Approach
本文提出了 SAGAD 框架，通过预计算多跳嵌入、重参数化切比雪夫滤波器以及自适应融合机制，有效解决了图异常检测中存在的同质性差异和可扩展性难题，实现了在大规模图上的高效训练与高精度检测。
DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding
本文提出了无需重新训练的推理时方法 DARC，通过将响应选择建模为分布鲁棒且风险敏感的决策过程，利用 KL 鲁棒满意度目标在存在异质偏好分歧的情况下有效降低尾部风险并维持平均质量。
Training event-based neural networks with exact gradients via Differentiable ODE Solving in JAX
该论文介绍了基于 JAX 的 Eventax 框架，它通过结合可微分数值 ODE 求解器与事件处理机制，在支持任意 ODE 定义的神经元模型灵活性的同时，实现了无需近似梯度的精确梯度训练，从而解决了现有脉冲神经网络训练框架在模型灵活性与梯度准确性之间的权衡难题。
CFG: Control Classifier-Free Guidance via Score Discrepancy Analysis
该论文通过严格理论分析揭示了分类器自由引导（CFG）中固定权重策略的局限性，并据此提出了一种无需训练、即插即用的控制分类器自由引导（C²FG）方法，通过指数衰减控制函数动态调整引导强度以匹配扩散过程，从而在多种生成任务中显著提升了效果。
Are We Winning the Wrong Game? Revisiting Evaluation Practices for Long-Term Time Series Forecasting
本文批判了当前长时序预测领域过度依赖均方误差等聚合指标进行基准排名而忽视实际决策价值的现状，主张构建融合统计保真度、结构一致性与决策相关性的多维评估体系，以引导研究从单纯追求榜单分数转向解决具有实际意义的预测问题。
Outlier-robust Autocovariance Least Square Estimation via Iteratively Reweighted Least Square
本文提出了一种基于迭代重加权最小二乘框架的鲁棒自协方差最小二乘估计方法（ALS-IRLS），通过创新级自适应阈值筛选与基于 Huber 代价函数的迭代加权策略，显著提升了卡尔曼滤波器在含异常值数据下的噪声协方差估计精度及状态估计性能。
Learning Hierarchical Knowledge in Text-Rich Networks with Taxonomy-Informed Representation Learning
本文提出了 TIER 方法，通过构建隐式层次分类体系并将其融入表示学习过程，有效解决了文本丰富网络中忽视内在层次语义的问题，从而实现了更具可解释性和结构化的节点表征。
Covenant-72B: Pre-Training a 72B LLM with Trustless Peers Over-the-Internet
该论文介绍了 Covenant-72B，这是首个利用区块链协议实现完全开放、无需许可的参与，并通过高效稀疏优化器 SparseLoCo 在动态变化的全球分布式网络中成功预训练的 720 亿参数大语言模型，证明了在大规模去中心化场景下训练出具有竞争力的基础模型是可行的。
Is continuous CoT better suited for multi-lingual reasoning?
该论文研究表明，在连续潜在空间中进行推理（Continuous Chain-of-Thought）相比传统的显式思维链，在低资源语言的零样本场景下具有更强的鲁棒性和语言不变性，同时能将推理过程压缩 29 至 50 倍，为跨语言推理提供了可扩展的高效解决方案。
ALOOD: Exploiting Language Representations for LiDAR-based Out-of-Distribution Object Detection
该论文提出了 ALOOD 方法，通过将 LiDAR 物体特征与视觉 - 语言模型（VLM）的语言表示进行对齐，将未知类别（OOD）物体的检测转化为零样本分类任务，从而有效解决了自动驾驶中 LiDAR 检测器对未知物体过度自信的安全风险。
AutoAdapt: An Automated Domain Adaptation Framework for LLMs
AutoAdapt 是一个端到端的自动化框架，它通过利用文献知识库、多智能体辩论系统以及基于大语言模型的 AutoRefine 代理，有效解决了大语言模型在特定领域适应中依赖人工试错、超参数复杂及成本高昂等挑战，并在多项任务中显著提升了准确率。
SERQ: Saliency-Aware Low-Rank Error Reconstruction for LLM Quantization
本文提出了 SERQ，一种通过静态激活展平、显著性感知误差重建和离线权重置换三阶段策略，利用单一低秩补偿矩阵在无需中间量化和额外在线层的情况下，有效解决 W4A4 等低比特设置下大语言模型量化精度下降问题的方法。
Sequential Service Region Design with Capacity-Constrained Investment and Spillover Effect
本文针对受容量约束和区域间需求溢出效应影响的序贯服务区域设计问题，提出了一种结合实物期权分析与 Transformer 基近端策略优化算法的解决方案，以在需求不确定性下高效生成具有最优跨期权值的投资序列。
Distributional Regression with Tabular Foundation Models: Evaluating Probabilistic Predictions via Proper Scoring Rules
本文指出当前表格基础模型（如 TabPFN）的回归基准过度依赖均方误差等点估计指标，忽略了概率预测的评估，因此主张引入连续 ranked 概率分数（CRPS）等严格评分规则来评估分布回归，并强调需通过微调或提示技术来适配不同的评分规则以优化模型的归纳偏置。
Revisiting Gradient Staleness: Evaluating Distance Metrics for Asynchronous Federated Learning Aggregation
本文通过探索替代欧氏距离的多种度量指标来量化异步联邦学习中的梯度陈旧性，并将其集成到聚合过程中，实验结果表明特定指标能在异构客户端和非独立同分布数据设置下显著提升模型的收敛速度、性能及训练稳定性。
Wiener Chaos Expansion based Neural Operator for Singular Stochastic Partial Differential Equations
本文提出了一种结合特征线性调制（FiLM）的维纳混沌展开神经网络算子，无需重整化因子即可高效求解奇异随机偏微分方程（如动态 模型），并展示了其在更具挑战性的 模型模拟中的潜力。