Looking Through Glass Box
本文介绍了一种基于朗之万动力学以避免过拟合的神经网络实现，该网络通过接受多个模糊认知图作为输入来学习因果模式并反演输出节点值，从而提供修改准则以优化决策，并在多个数据集上评估了其性能。
💻 Category
cs.NE
66 篇论文
Enhanced Protein Intrinsic Disorder Prediction Through Dual-View Multiscale Features and Multi-objective Evolutionary Algorithm
本文提出了名为 D2MOE 的新方法，通过结合双视图多尺度特征提取与多目标进化算法，自适应地优化特征融合架构，从而显著提升了蛋白质内在无序区域的预测精度。
NOBLE: Accelerating Transformers with Nonlinear Low-Rank Branches
本文提出了专为从头预训练设计的 NOBLE 架构，通过在 Transformer 线性层中引入带有可学习非线性（如 CosNet）的低秩分支，在仅增加少量参数和时间开销的情况下显著提升了 LLM、BERT 及 ViT 等模型的训练效率。
Hybrid Quantum-Classical Encoding for Accurate Residue-Level pKa Prediction
本文提出了一种结合高斯核量子特征映射与经典结构描述符的混合量子 - 经典框架，通过深度量子神经网络显著提升了残基级 pKa 预测的准确性、跨语境泛化能力及实验可迁移性。
Efficient Approximation to Analytic and functions by Height-Augmented ReLU Networks
该论文提出了一种基于高度增强 ReLU 的三维网络架构，通过高效表示锯齿函数，首次实现了针对解析函数和一般 函数的非渐近高阶定量逼近，显著提升了逼近效率并优化了网络参数设计。
Quantum mechanical framework for quantization-based optimization: from Gradient flow to Schroedinger equation
该论文提出了一种基于量子力学框架的量化优化分析方法，通过将搜索过程建模为梯度流耗散系统并转化为薛定谔方程，揭示了量子隧穿效应如何帮助算法逃离局部极小值并保证全局收敛，从而统一了组合与连续优化并提升了机器学习任务的性能。
Topological DeepONets and a generalization of the Chen-Chen operator approximation theorem
本文通过引入基于对偶空间连续线性泛函的拓扑前馈神经网络，将经典的 Chen-Chen 算子逼近定理从连续函数空间推广至任意 Hausdorff 局部凸空间，证明了连续算子可被拓扑 DeepONets 一致逼近。
Dance of the ADS: Orchestrating Failures through Historically-Informed Scenario Fuzzing
本文提出了名为 ScenarioFuzz 的基于场景的模糊测试方法，该方法利用历史测试数据与图神经网络优化种子筛选，在显著降低时间成本的同时大幅提升了错误场景的发现效率，并成功在六个自动驾驶系统中发现了 58 个漏洞。
Prediction performance of random reservoirs with different topology for nonlinear dynamical systems with different number of degrees of freedom
该研究通过对比五种不同拓扑结构的储层网络在四种非线性动力学系统中的预测表现，揭示了网络对称性在低维对流系统中能显著提升预测精度，但在高维强混沌剪切流系统中影响甚微，从而阐明了储层结构特性对复杂动力学学习能力的差异化作用。
Motion Illusions Generated Using Predictive Neural Networks Also Fool Humans
该论文提出了一种基于视频预测神经网络的生成模型 EIGen 来创造视觉运动错觉，并通过人类实验证实了这些错觉的有效性，从而支持了“错觉运动源于大脑对预测的感知而非原始视觉输入”的假设，同时倡导利用人工智能模仿生物系统的“动机性失败”来推动相关研究。
LLEMA: Evolutionary Search with LLMs for Multi-Objective Materials Discovery
本文提出了 LLEMA 框架，通过结合大语言模型的领域知识、化学约束进化规则及基于记忆的优化机制，在满足多目标性能要求的同时高效发现化学合理且热力学稳定的新材料，显著提升了材料发现的命中率与帕累托前沿质量。
Yukthi Opus: A Multi-Chain Hybrid Metaheuristic for Large-Scale NP-Hard Optimization
本文提出了名为 Yukthi Opus 的多链混合元启发式算法，该算法通过整合 MCMC 全局探索、贪婪局部搜索及自适应退火机制，在严格的评估预算约束下，有效解决了包括旅行商问题在内的大规模 NP 难黑盒优化难题。
A Dynamical Theory of Sequential Retrieval in Input-Driven Hopfield Networks
本文针对输入驱动的可塑性 Hopfield 网络，建立了一套动力学理论，通过解析快慢时间尺度耦合机制，推导出了自持记忆转换的显式条件，从而为联想记忆模型中的序列推理提供了 principled 的数学解释。
Evolution 6.0: Robot Evolution through Generative Design
本文提出了由生成式 AI 驱动的“进化 6.0"自主机器人系统，该系统通过整合视觉语言模型、视觉语言动作模型及文本转 3D 生成模型，实现了机器人自主设计并制造任务所需工具、进而执行人类指令的能力。
Akkumula: Evidence accumulation driver models with Spiking Neural Networks
本文提出了名为 Akkumula 的驾驶模型框架，该框架利用脉冲神经网络（SNN）和深度学习技术实现证据积累机制，能够更真实地模拟驾驶员的制动、加速和转向行为，同时具备可扩展性、适应性和逻辑透明性。
AutoQD: Automatic Discovery of Diverse Behaviors with Quality-Diversity Optimization
本文提出了 AutoQD 方法，通过利用策略占据测度与随机傅里叶特征自动构建行为描述符，从而无需依赖人工设计即可在连续控制任务中实现高质量且多样化的策略发现。
CaRe-BN: Precise Moving Statistics for Stabilizing Spiking Neural Networks in Reinforcement Learning
本文提出了一种名为 CaRe-BN 的置信度自适应重校准批归一化方法，通过优化在线强化学习中的统计量更新策略与分布对齐机制，显著提升了脉冲神经网络在资源受限设备上的训练稳定性与性能，使其表现甚至超越人工神经网络。
Soft Quality-Diversity Optimization
本文提出了一种名为“软质量多样性（Soft QD）”的新框架，通过避免行为空间的离散化来解决高维和大规模问题，并据此推导出了具有更好可扩展性的可微分算法 SQUAD，其在标准基准测试中表现出与现有最先进方法相当的竞争力。
NeuroPareto: Calibrated Acquisition for Costly Many-Goal Search in Vast Parameter Spaces
本文提出了 NeuroPareto 框架，通过整合基于排名的过滤、不确定性解耦及历史条件采集策略，利用校准贝叶斯分类器与深度高斯过程代理模型，在计算成本受限的高维多目标优化问题中实现了比现有基线更优的帕累托前沿逼近与超体积表现。
mlx-snn: Spiking Neural Networks on Apple Silicon via MLX
本文介绍了首个基于 Apple MLX 框架原生构建的脉冲神经网络库 mlx-snn，它通过提供多种神经元模型、编码方法及高效的反向传播训练流程，在 Apple Silicon 硬件上实现了比现有 PyTorch 方案更优的训练速度与内存效率。