Fast Fishing: Approximating BAIT for Efficient and Scalable Deep Active Image Classification
本文提出了两种基于期望近似和二元分类任务构建的优化方法，显著降低了 BAIT 主动学习策略的计算复杂度与内存需求，使其能够高效扩展至 ImageNet 等大规模图像分类任务，并提供了相应的开源工具箱。
🤖 Category
cs.LG
4023 篇论文
Explainable machine learning for predicting shellfish toxicity in the Adriatic Sea using long-term monitoring data of HABs
本研究利用 28 年长期监测数据，应用可解释机器学习技术（特别是随机森林模型）成功预测了亚得里亚海特里雅斯特湾贻贝的腹泻性贝类毒素（DSP）事件，并识别出关键致毒藻种及环境因素，为优化早期预警系统和促进可持续水产养殖提供了重要依据。
Exploratory Optimal Stopping: A Singular Control Formulation
本文从强化学习视角出发，通过引入随机停止时间和累积剩余熵正则化，将连续时空最优停止问题转化为有限燃料奇异随机控制问题，进而利用动态规划原理确定最优探索策略，并提出了具有策略改进保证且适用于高维场景的模型基与模型无关（Actor-Critic）强化学习算法。
Mamba Neural Operator: Who Wins? Transformers vs. State-Space Models for PDEs
该论文提出了 Mamba 神经算子（MNO），通过建立结构化状态空间模型与神经算子之间的理论联系，克服了 Transformer 在捕捉连续动态和长程依赖方面的局限，从而为偏微分方程求解提供了比传统 Transformer 更高效且准确的统一框架。
EarthquakeNPP: A Benchmark for Earthquake Forecasting with Neural Point Processes
该论文提出了名为 EarthquakeNPP 的基准测试平台，旨在通过引入更严谨的数据集和评估协议来弥补现有神经点过程（NPP）基准的缺陷，实验结果表明当前测试的 NPP 模型在加州地震预测任务中均未能超越经典的 ETAS 模型，暗示其尚未具备实际预报能力。
Losing dimensions: Geometric memorization in generative diffusion
该论文提出了一种几何记忆理论，揭示扩散模型在训练数据稀缺时会经历从泛化到精确复制的平滑过渡，其过程表现为特征按显著性顺序逐步“冻结”，最终导致模型坍缩至少数低能态配置。
Enhancing Brain Source Reconstruction by Initializing 3D Neural Networks with Physical Inverse Solutions
本文提出了一种名为 3D-PIUNet 的新型混合方法，通过结合物理逆解初始化与 3D 卷积 U-Net 的数据驱动优化，显著提升了脑电图（EEG）源定位的空间精度，并在模拟与真实视觉任务数据中验证了其优越性能。
Class Incremental Learning with Task-Specific Batch Normalization and Out-of-Distribution Detection
该论文提出了一种结合任务特定批归一化与分布外检测的新型持续学习框架，通过为每个任务头引入“未知”类来预测任务 ID，从而在无需访问旧数据的情况下有效平衡了类增量学习中的可塑性与稳定性，并在多个医学及自然图像数据集上取得了最先进性能。
Conditional Local Importance by Quantile Expectations
本文提出了一种名为 CLIQUE 的新颖模型无关方法，通过量化期望来捕捉局部依赖关系，从而克服了 LIME 和 SHAP 等现有方法在反映局部变量交互及多分类问题上的局限性，并有效降低了预测偏差。
A Novel Single-Layer Quantum Neural Network for Approximate SRBB-Based Unitary Synthesis
本文提出了一种基于标准递归块基（SRBB）的新型单层量子神经网络，通过利用李代数及其拓扑特性将单位算符的参数化扩展至单层近似，并显著减少了 CNOT 门数量，从而实现了高效且可扩展的任意单位演化近似合成。
Pairwise Comparisons without Stochastic Transitivity: Model, Theory and Applications
本文提出了一种不依赖随机传递性假设的广义成对比较统计模型，该模型利用低维斜对称矩阵刻画比较概率，并开发了具备稀疏数据适应性与极小化极大最优性的估计方法，从而在理论与实证上显著超越了传统的 Bradley-Terry 等模型。
Particle Trajectory Representation Learning with Masked Point Modeling
本文提出了基于掩码点建模的自监督学习框架 PoLAr-MAE，通过利用未标记的液氩时间投影 chamber（LArTPC）数据学习物理意义明确的轨迹表示，仅需极少量标注样本即可实现媲美超大规模监督训练的性能，并释放了包含 100 万个事件的大规模数据集 PILArNet-M 以推动该领域基础模型的发展。
Graph machine learning for flight delay prediction due to holding manouver
本研究利用图机器学习技术（对比了增强图特征的 CatBoost 与图注意力网络 GAT）将因等待机动导致的航班延误预测建模为图问题，发现 CatBoost 在预测不平衡数据时表现更优，并开发了实时 Web 工具以辅助提升航空运营效率。
Logarithmic Regret for Online KL-Regularized Reinforcement Learning
本文提出了一种基于乐观主义的在线 KL 正则化上下文多臂老虎机算法，并通过利用 KL 正则化带来的良性优化景观，证明了该算法在奖励函数类复杂度较低时能达到对数级累积遗憾，且该结论可进一步推广至强化学习场景。
Boosting Cross-problem Generalization in Diffusion-Based Neural Combinatorial Solver via Inference Time Adaptation
本文提出了一种名为 DIFU-Ada 的免训练推理时自适应框架，通过理论分析与实验验证，成功使仅在旅行商问题（TSP）上训练的扩散模型无需额外训练即可实现跨问题（如 PCTSP、OP）和跨尺度的零-shot 泛化能力。
Is CLIP ideal? No. Can we fix it? Yes!
该论文通过证明 CLIP 类联合嵌入空间存在无法同时满足基础描述、属性绑定、空间关系及否定表达的理论局限性，提出了保留语义拓扑结构的密集余弦相似度图（DCSM）方法，从而有效解决了 CLIP 的根本缺陷并提升了其在多项基准测试中的表现。
Are Deep Speech Denoising Models Robust to Adversarial Noise?
该论文指出，尽管深度语音降噪（DNS）模型被广泛应用于高安全场景，但通过添加人耳难以察觉的对抗性噪声即可使其输出变为无法理解的乱码，且经专家验证和主观测试证实了攻击的有效性与隐蔽性，从而强调了在将其用于安全关键应用前必须采取实际防御措施。
Learn to Bid as a Price-Maker Wind Power Producer
本文提出了一种基于上下文多臂老虎机框架的在线学习算法，旨在帮助拥有市场定价权的风电生产商在无需复杂市场模型和对手行为预测的情况下，通过利用上下文信息优化短期电力市场投标策略，从而有效降低不平衡成本。
An Algorithm to perform Covariance-Adjusted Support Vector Classification in Non-Euclidean Spaces
该论文提出了一种利用 Cholesky 分解将类内协方差纳入优化问题的算法，以解决传统支持向量机在非欧几里得空间中的次优性问题，并通过实验证明该协方差调整模型在多项性能指标上显著优于传统 SVM 及白化算法。
Rethinking Few-Shot Image Fusion: Granular Ball Priors Enable General-Purpose Deep Fusion
该论文提出了一种基于“不完整先验”概念和粒球像素计算（GBPC）算法的少样本图像融合新方法，通过自适应损失函数使轻量级网络仅需少量图像对即可学习通用融合规则，在多个任务中实现了优异的视觉质量与模型紧凑性。