Do Spatial Descriptors Improve Multi-DoF Finger Movement Decoding from HD sEMG?
该研究评估了基于多通道线性描述符的块场方法（MLD-BFM）在 HD sEMG 多自由度手指运动解码中的表现，发现其虽在数值上优于传统特征和降维方法，但统计上未显著超越时域特征，表明高密度记录本身已通过幅度描述符编码了空间信息，而保留空间分辨率对准确回归至关重要。
🤖 Category
cs.LG
2248 篇论文
EMFusion: Conditional Diffusion Framework for Trustworthy Frequency Selective EMF Forecasting in Wireless Networks
本文提出了 EMFusion，这是一种基于条件扩散框架的频选电磁场概率预测模型，它通过集成多源上下文信息、采用残差 U-Net 与交叉注意力机制以及基于插补的采样策略，实现了对无线网络中多运营商、多频段电磁场水平的精准预测与可信的不确定性量化。
Enhancing Reconstruction Capability of Wavelet Transform Amorphous Radial Distribution Function via Machine Learning Assisted Parameter Tuning
本研究提出了一种通过机器学习辅助参数优化（包括可学习参数、参数边界和选择性损失）来增强小波变换非晶径向分布函数（WT-RDF）振幅精度的 WT-RDF+ 框架，该框架在 Ge-Se 及 Ag-Ge-Se 体系的结构重构中，即使仅使用 25% 的二元数据集，其表现也优于基于 AIMD 模拟数据的 RBF 和 LSTM 等基准机器学习模型。
The Affine Divergence: Aligning Activation Updates Beyond Normalisation
该论文通过揭示激活值在梯度下降中存在的非理想缩放问题，从第一性原理重新推导了归一化机制，并提出了一种无需尺度不变性的新型函数（如 PatchNorm），在多项测试中超越了传统归一化方法。
Provable Acceleration of Distributed Optimization with Local Updates
本文利用性能估计问题（PEP）证明了在分布式优化中引入局部更新（特别是仅需两次）可在保持步长的同时加速收敛，从而首次严格确立了局部更新对一类广泛目标函数的加速效果。
An AI-powered Bayesian Generative Modeling Approach for Arbitrary Conditional Inference
该论文提出了一种名为贝叶斯生成建模（BGM）的统一框架，通过随机迭代贝叶斯更新算法学习生成模型，从而无需重新训练即可实现对任意变量子集的灵活条件推断，并兼具优越的预测性能、不确定性量化能力及理论保证。
Automating Forecasting Question Generation and Resolution for AI Evaluation
该论文提出了一种利用大语言模型驱动的网络研究代理自动生成并解决大规模多样化现实世界预测问题的系统，该系统在生成可验证问题和准确解决方面的表现优于人类策划平台，并成功验证了更智能的模型及问题分解策略能显著提升预测精度。
Infusion: Shaping Model Behavior by Editing Training Data via Influence Functions
该论文提出了名为"Infusion"的框架，利用可扩展的影响函数近似技术，通过对训练数据施加微小扰动来诱导模型产生目标行为，实验表明该方法在视觉和语言领域均能有效且隐蔽地塑造模型行为，并具备跨架构的迁移能力。
Robust Assortment Optimization from Observational Data
本文提出了一种基于观测数据的鲁棒 assortment 优化框架，通过建模客户偏好分布偏移并最大化最坏情况下的预期收益，在理论界定了计算可行性与样本复杂度上下界的同时，揭示了实现样本高效鲁棒学习所需的最小数据条件“鲁棒单项覆盖”，从而弥合了鲁棒性与统计效率之间的差距。
Bottleneck Transformer-Based Approach for Improved Automatic STOI Score Prediction
该论文提出了一种基于瓶颈 Transformer 架构的新方法，通过结合卷积块与多头自注意力机制来预测短时客观可懂度（STOI）指标，在无需参考语音的非侵入式评估中，其表现优于现有的自监督学习模型。
B-DENSE: Branching For Dense Ensemble Network Supervision Efficiency
受非平衡热力学启发的扩散模型虽性能卓越但推理延迟高，而现有蒸馏技术因丢弃中间步骤导致结构信息丢失和离散化误差，为此本文提出了 B-DENSE 框架，通过多分支轨迹对齐机制，让学生模型在扩展通道中同时映射教师轨迹的所有离散中间步骤，从而在训练早期实现密集监督并显著提升生成质量。
Missing-by-Design: Certifiable Modality Deletion for Revocable Multimodal Sentiment Analysis
本文提出了“缺失即设计”（MBD）框架，通过结合结构化表征学习与可验证的参数修改流程，实现了多模态情感分析中特定模态信息的可撤销删除，在保障用户隐私自主权的同时维持了模型的高效预测性能。
Continual uncertainty learning
该研究提出了一种基于课程学习的持续不确定性学习框架，通过将多源不确定性分解为序列任务并结合模型基控制器进行残差学习，有效解决了非线性机械系统鲁棒控制中的样本效率低与灾难性遗忘问题，并成功实现了汽车动力总成主动振动控制的仿真到现实迁移。
Breaking the Factorization Barrier in Diffusion Language Models
该论文提出了耦合离散扩散（CoDD）框架，通过引入轻量级概率推理层替代传统的完全因子化输出分布，成功打破了扩散语言模型中并行生成与依赖建模之间的“因子化壁垒”，在显著降低训练成本的同时实现了高质量、低延迟的推理生成。
Detecting Transportation Mode Using Dense Smartphone GPS Trajectories and Transformer Models
本文提出了一种名为 SpeedTransformer 的基于 Transformer 的模型，该模型仅利用速度输入即可从密集智能手机 GPS 轨迹中准确推断交通方式，并在基准测试、跨地区迁移学习及复杂现实环境实验中均表现出优于传统深度学习模型的性能。
Non-Rectangular Average-Reward Robust MDPs: Optimal Policies and Their Transient Values
本文研究了非矩形平均奖励鲁棒马尔可夫决策过程，证明了在弱通信假设下存在实现次线性期望遗憾的鲁棒最优策略，揭示了其鲁棒值的极小极大表示，并指出平均奖励最优性可能掩盖极差的瞬态表现，进而提出了一种结合最坏情况最优策略、序贯检验与在线学习回退机制的基于时段的策略，以实现常数阶的瞬态值。
DUEL: Exact Likelihood for Masked Diffusion via Deterministic Unmasking
该论文提出了 DUEL 框架，通过统一确定性去掩码策略，首次实现了掩码扩散模型（MDM）在测试分布下的精确似然计算，从而揭示了其性能远超此前评估，并展示了其超越自回归模型的巨大潜力。
Reasoning as Gradient: Scaling MLE Agents Beyond Tree Search
该论文提出了名为 Gome 的 MLE 智能体，通过将诊断推理映射为梯度计算等机制实现基于梯度的优化，实验表明在推理能力较强的模型上，该方法在 MLE-Bench 基准测试中显著超越了传统的树搜索范式。
FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing
该论文提出了名为 FinTexTS 的大规模金融文本 - 时间序列配对数据集，通过基于语义的上下文提取和多级（宏观、行业、关联公司及目标公司）新闻分类框架，有效解决了传统关键词匹配无法捕捉复杂市场关联的局限，并显著提升了股票价格预测性能。
Unveiling the Potential of Quantization with MXFP4: Strategies for Quantization Error Reduction
该论文提出了溢出感知缩放（OAS）和宏块缩放（MBS）两种纯软件技术，在无需硬件改动的前提下显著降低了 MXFP4 的量化误差，使其在保持硬件效率优势的同时，将端到端精度与 NVIDIA NVFP4 的差距从约 10% 缩小至 1% 以下。