全部

论文为扩散模型中的分数估计建立了 GD 训练神经网络的理论框架，并给出首个极小极大最优泛化界。方法把去噪分数匹配化为带噪标签回归，再用局部核回归近似训练动态，并推导适用于无界输入域的早停规则。真正值得盯的是，它把“理论假设精确求解 ERM”和“实际用 GD 训非凸网络”之间的缺口补上了一段。

论文提出自监督交叉注意力编码器，用双腕佩戴 IMU 信号在 PADS 数据集上检测帕金森病，覆盖 469 名受试者。模型在 HC vs. PD 上平均准确率 93.12%，在 PD vs. DD 上 87.04%；只用 20% 标注数据时，自监督表征把两项准确率做到 93.56% 和 92.50%。真正值得盯的是部署条件：优化模型在 Raspberry Pi CPU 上单窗口平均推理 48.32 毫秒，正文未披露窗口长度等实时细节。

该论文提出用 Dropout 压缩梯度，以更高效地计算影响函数，目标是降低大模型上的计算与内存开销。摘要称该方法同时减少影响函数计算和梯度压缩过程的开销，并保留关键数据影响成分；具体降幅、实验数据集和模型规模，正文摘要未披露。真正该盯的是机制是否稳：这不是换近似器，而是把 Dropout 直接放进影响函数所需梯度压缩链路。

论文为单隐层二次神经网络给出持续学习遗忘的闭式保证，设定是梯度下降顺序训练带高斯噪声的 XOR-cluster 任务。作者把训练期遗忘率显式写成迭代次数、样本量、任务数和隐藏层宽度的函数，并用算法稳定性界定测试期遗忘；真正值得盯的是，这类结果直接把忘记问题参数化了。

论文证明：当校准样本量 n 相对网格大小 m 足够大时，非单调损失下的保形风险控制仍能把超出目标风险 α 的误差压到约 √(log(m)/n)。作者还给出匹配下界，说明这个速率是 minimax 最优；并在 Lipschitz、单调性及重要性加权分布偏移条件下推导更细保证。真正值得盯的是，CRC 失效不只看“非单调”本身，还看 n 与 m 的比例。

SigGate-GT 在 5 个标准基准上提升 GraphGPS，ogbg-molhiv 达到 82.47% ROC-AUC，ZINC 达到 0.059 MAE。方法是在 GraphGPS 内给每个注意力头加入 learned sigmoid gate，可把无信息连接压到 0；消融称 4-16 层平均将过平滑降 30%，且在 10× 学习率范围内更稳。真正值得盯的是，它把图模型过平滑与 LLM attention sink 归到同一机制：softmax 的 sum-to-one 约束。

TUM 团队提出 AeroTransformer，用近 30000 个 SuperWing 样本预训练，再用 450 个任务样本微调三维机翼气动预测。模型在跨声速机翼表面流场预测上达到 0.36% 误差，较从零训练降 84.2%。真正值得盯的是数据复用机制：论文已开源数据集、预训练模型和在线设计工具。

论文把多用户 WiFi 感知改写为活动计数任务，在 WiMANS 上把每类活动人数回归到 0-5 计数，平均绝对误差为 0.1081。未见用户评测里，身份相关模型的 macro-F1 从 80.38 降到 32.61；身份无关模型的计数误差基本稳定。真正值得盯的是闭集设定失效后，按人分配动作这一路径明显更脆弱。

论文在 BDD100K 上评估模型级 MoE 目标检测，并报告其表现持续超过标准集成。方法把基于 YOLO 的检测器按语义互斥子集分别训练，再用门控网络动态分配专家权重，并加入损失平衡抑制专家塌缩。真正该盯的是检测结果融合与门控训练细节；摘要未披露绝对精度提升、专家数量与推理开销。

论文提出 LITT，用虚拟“相对时间线”对齐临床序列事件，并在 3,276 名乳腺癌患者 EHR 上预测心脏毒性致心脏病的发病时间。方法把时间当作可计算维度，为候选事件分配相对时间戳，再做面向事件时序的注意力。摘要称其优于基线和现有生存分析方法，但正文片段未披露具体数据集名称与提升幅度。

论文用 SAR 数据训练的 YOLOv11 检测器给 SAM2 提供框提示，在不使用任何像素级掩码标注的条件下完成舰船零样本实例分割，并在 SSDD 上做到 0.637 mIoU 与 89.2% 检出率。作者称该结果相当于全监督基线的 89%，机制是用检测框的空间约束压住光学到 SAR 的域偏移；真正值得盯的是，它没做微调或适配器。

论文提出 RASLIK 检索算法，用于在触发式 LLM 遗忘中同时改善遗忘与保留的权衡，并宣称在多模型、多数据集、多种遗忘算法上优于确定性基线和 oracle sampling。其机制是把 permutation-projection hashing 与 randomized antipodal search 结合到线性化影响核上，目标是降低样本选择方差并实现次线性复杂度。真正值得盯的是数据检索前置：正文给了方法与结论，具体增益数字和实验规模在摘要未披露。

论文提出 POLAR，把边缘 LLM 的 LoRA 适配器缓存与请求路由建模为双时间尺度上下文 bandit，并给出两种在线算法。POLAR+ 在满足随机正则性与可缓存条件时取得 Õ(d√NT+√KT) 次线性遗憾；实验用 Qwen2.5-7B 的 15 个真实 LoRA 适配器和实测 GPU 分页延迟。真正值得盯的是，作者声称内存层级不会从根本上拖慢路由学习速率。

该论文提出单一条件扩散模型，把约25公里分辨率天气预报降尺度为约5公里概率预测，并对异构上游天气模型做零样本适配。评测覆盖近地面变量和最长90小时预报，用独立站点观测检验；结果称集合均值稳定优于各模型原始确定性预报，CRPS收益更大。真正值得盯的是，它不做模型专属微调；正文未披露具体增益数值。

该论文提出一种基于 E-value 的停止规则，在多种实验设定下为 Bayesian Deep Ensembles 的顺序采样决定何时提前停止。方法把集成构建表述为 anytime-valid 序贯假设检验，用来检验“加入 MCMC 相对已优化 Deep Ensembles 没有增益”的原假设。摘要称常只需完整链预算的一小部分，具体比例、数据集与绝对收益正文片段未披露。

R3D2 提出一个轻量级单步扩散模型，在实时条件下把完整 3D 资产插入自动驾驶数字孪生场景，并生成阴影与一致光照。其训练数据来自野外 AD 数据：先用图像条件 3D 生成模型做 3DGS 物体，再合成放入神经渲染环境。真正值得盯的是跨场景迁移与 text-to-3D 插入，但摘要未披露具体基准分数。

论文提出 BYOL-γ 表征目标，用于目标条件行为克隆在新状态-目标组合上的零样本泛化。摘要称该方法用自预测表征近似有限 MDP 中的后继表征，并通过长程时间一致性缩小分布外差距。真正该盯的是机制：正文片段只给出理论近似与“具竞争力”结果，任务数量、基线名称和具体指标未披露。

论文提出联邦 RuleFit 框架，用差分隐私直方图、共享切分点和 Federated Dual Averaging，在多机构医疗数据上训练可解释全局模型。摘要称其在模拟中达到接近集中式 RuleFit 的表现，并优于现有联邦方法；真实数据分析也给出有竞争力的精度。真正值得盯的是可解释性来自规则和稀疏系数，正文摘要未披露数据规模与具体指标。

RA-RRG 提出检索增强放射学报告生成框架，在 MIMIC-CXR 和 IU X-ray 上取得 CheXbert 最优结果，并给出有竞争力的 RadGraph F1。方法先用 LLM 从报告提取临床关键词，再按输入胸片检索相关短语并条件化生成；摘要未披露具体分数。真正值得盯的是，它把抑制幻觉和降低多模态大模型算力开销放进同一条链路，代码已开源。

研究团队提出一种通过 metacircuit 实现的全模拟谐振循环神经网络 R²NN，可直接处理原始模拟时序输入并绕过模数转换。其机制是把训练后的 R²NN 参数直接映射到耦合电谐振器，结合可联合训练的全局电阻耦合与局部谐振，形成按频率选择通路的阻抗分布。论文在触觉感知、语音识别和状态监测上做了硬件演示，但正文未披露精度、功耗、延迟或芯片规模。

Satchel Grant等在arXiv发表论文，对比2种防御训练方法PPS与IP，结论是二者都能抵御“evilness”特征注入，但机制不同。论文称PPS会把激活梯度推向PPS向量轴的衰减方向，已被该特征微调的模型里IP无效。真正值得盯的是，IP的梯度更分散，正文未披露统一机理。

这篇 arXiv 论文提出 Reward Score Matching，把流模型与扩散模型的奖励微调统一成一个框架。摘要称，多种方法的差异可归结为价值引导估计器构造，以及各时间步的有效优化强度；实验涉及可微奖励和黑盒奖励。真正值得盯的是，它把偏差、方差、算力权衡放到同一视角下，但摘要未披露具体基准、提升幅度与训练成本数字。

这篇 arXiv 论文在受控条件下测试多种 TSFM，考察均值漂移、方差变化、线性趋势与持久性在嵌入空间中的线性可检测性。作者按扰动强度做 sweep，发现可检测性会平滑下降，不同模型还会出现各自的失效模式。真正该盯的是区分分布漂移与弱平稳性破坏；正文未披露具体模型名、数据集和指标数值。

该论文在2个统计特性不同的数据集上评估3类无监督检测器，比较 DDoS 流量的时序特征与结构特征，结果显示结构特征持续持平或优于时序特征。作者提出训练前决策框架，依据聚合流信号的 lag-1 自相关与 PCA 累积解释方差选特征；两项探针若无结论，只保留混合方案为后备，正文未给出其已验证结果。

论文称，在线 RLHF 与在线 DPO 在温度为 0 的决策型遗憾下可达 O(1) 累积遗憾，不是既有理论里的 O(log T)。摘要给出的机制是：KL 正则遗憾把学习统计成本与软策略探索随机性混在一起；新准则只评估推理时的最高分回复。真正值得盯的是评价口径变了，RSS 摘要未披露实验设置、定理条件与适用边界。

论文提出 Flow Marching，并在约250万条轨迹、12类 PDE 上训练生成式 PDE 基础模型。方法联合采样噪声强度与物理时间步，配合 P2VAE 和 FMT；正文称其计算效率最高比全长视频扩散高15倍，并在未见过的 Kolmogorov 湍流上做少样本适配与长期滚动评测。真正值得盯的是，它把不确定性生成和长期稳定性放进同一训练目标，不再只做确定性外推。

论文提出 LLMasTool，把神经架构搜索改成代码挖掘的树变换，并在 CIFAR-10、CIFAR-100、ImageNet16-120 上分别提升 0.69、1.83、2.68 分。方法先从任意源码抽取可复用模块，再把完整架构表示成层次树；搜索由多样性引导算法和贝叶斯建模负责，LLM 只补全剩余自由度，不直接生成整段代码。

该论文提出批量自适应采样方法，在平均处理效应估计中用90个优化标注样本，达到361个随机样本的置信区间，标注预算节省75%。方法通过最小化缺失结果场景下双重稳健估计器的渐近方差，给出最优批量采样概率闭式解；实验覆盖模拟数据和无家可归者服务外展干预等真实数据。真正值得盯的是，它把主动选样直接绑到 AIPW 因果估计效率，而不是单纯做通用主动学习。

论文提出一个语义驱动的分布式学习框架，在 i.i.d. 与 non-i.i.d. 两种数据条件下学习兼具多样性和判别性的表征。方法在 i.i.d. 场景里对全局目标加入表征方差约束，并用原始-对偶法推导更新；在 non-i.i.d. 场景里用节点聚类、虚拟复制和块坐标下降训练。实验覆盖 MNIST、CIFAR-10 和 CIFAR-100；具体指标提升幅度正文未披露，真正值得盯的是它试图用语义共享降低对统一网络架构的依赖。

AutoOR 用合成数据生成与强化学习后训练 8B 模型，把自然语言运筹问题转成求解器可执行形式。论文称它在 6 个既有 OR 基准上达到 SOTA 或竞争性结果，并可覆盖线性、混合整数、非线性三类问题。关键机制是从标准优化形式生成可验证数据，再用求解器执行反馈做 RL 奖励；各基准分数正文摘要未披露。

论文提出 NeuroAdapt-Bench，系统评测 EEG 基础模型在真实分布偏移下的测试时适应。基准覆盖多个预训练模型、下游任务与异构数据集，包含同分布、分布外和 Ear-EEG 等极端模态偏移。结果显示标准 TTA 增益不稳定，梯度法常明显降级；真正值得盯的是免优化方法更稳。

论文提出 CCAR，用类条件激活正则化把特征空间压成块对角结构，并将各类别能量限制在正交子空间。摘要称该约束可提升 Fisher 判别比，并在标签噪声、输入损坏与对抗扰动上优于基线；基线名称、数据集与提升幅度正文未披露。

该论文为遗传编程符号回归推导了泛化界，条件是表达式树的大小、深度和可学习常数受约束。界被拆成结构选择项与常数拟合项两部分，对应树结构组合复杂度和固定结构内常数优化复杂度。真正值得盯的是，它把 parsimony pressure、深度限制、数值稳定算子和区间算术连到显式复杂度项上。

论文提出 S-GRPO，把大型视觉语言模型后训练中的 SFT 与 RL 合并为一套框架，目标是缓解单独使用两者时的遗忘与冷启动问题。其核心机制 CGI 会在二值验证器判定一组轨迹全部探索失败时，注入已验证真值轨迹，并赋予确定性最高奖励。真正值得盯的是，这篇摘要只声称收敛更快、适应更强，正文片段未披露基座模型、数据集和具体指标。

论文提出 Neural Adjoint Method，用 Fourier Neural Operator 从体素化介电常数体直接预测 3D 伴随梯度场，把每轮伴随求解替换为快速预测，并称设计时间可从数小时降到数秒。摘要给出两个硬信息：宽带设计常要数千次 Maxwell 求解，评测覆盖 spectral sorting、achromatic focusing、waveguide mode conversion 三项任务；数据集来自成对的 forward/adjoint FDTD 仿真。真正值得盯的是它学的是逐体素敏感度场，不是只做终态回归。

论文提出 CALIBER，用跨模态贝叶斯低秩适配处理音频-文本学习，并把随机性限制在秩 r 适配器空间的低维潜变量内。其机制是按层、按 token 用文本-音频交叉注意力调制均值和方差；摘要称在多种文本与音频骨干上持续匹配或超过文本贝叶斯 PEFT 与多模态迁移基线，但正文未披露具体数据。真正值得盯的是，它把音频当作可靠性信号，而不只是额外特征。

论文提出 CAPO，用于固定顺序协作团队的信用分配，并在单次初始批数据上优化各代理策略。方法从 SeqAU 推出无 critic 的策略梯度，只需当前策略的少量前向计算，不增加环境调用。作者还给出偏差与方差界；在受控顺序 bandit 中，团队越大，CAPO 相对基线优势越明显。

论文提出 Persistence-Augmented Neural Networks，用 Morse-Smale complex 做持久性数据增强，保留局部拓扑与层级演化，预处理复杂度为 O(n log n)。方法可接入卷积网络和图神经网络，并在病理图像分类、3D 多孔材料回归中优于基线及 persistence images、landscapes。真正该盯的是它保留局部结构，不再只做全局 TDA 汇总。

论文提出 LPQLD，用软标签剪枝与量化改进大规模数据集蒸馏，在 ImageNet-1K 将标签存储压到原来的 1/78，在 ImageNet-21K 压到 1/500。方法用 class-wise batching 和 batch-normalization supervision 提高图像多样性，再用动态知识复用与校准的师生对齐提升监督多样性。真正值得盯的是，它不只省存储，还把准确率最多拉高 7.2% 和 2.8%，代码已开源。

论文提出 LAMAE，用掩码自编码预训练 ECG 基础模型，并用潜在注意力学习导联间连接机制。正文确认其在 MIMIC-IV-ECG 上预测 ICD-10 代码时优于独立导联掩码建模和对齐式基线，但摘要未披露具体分数、样本量与参数规模。真正值得盯的是它把导联冗余当作结构监督，而不是继续把 12 导联当独立通道。

该研究用随机森林筛查超7000个天然化合物，识别出73个潜在抗阿尔茨海默病候选物。数据来自ChEBI、SynSysNet和INDOFINE，经Open Babel预处理并用Dragon描述符建模，精确率0.5970、召回率0.6590。真正值得盯的是描述符信号：原子极化率、键重数和非氢键计数排在前列。

这篇 arXiv 综述梳理了分子性质预测的4类范式，并汇总量子、理化、生理和生物物理任务的基准证据。摘要点名数据清洗、划分策略和评测协议的问题，包含立体化学不一致、实验来源异质、随机或定义不清划分下的复现性不足；正文未披露覆盖数据集数量。真正值得盯的是基准方法论，不是“基础模型”标签：作者主张改用时间感知和 scaffold 感知划分，并提出3个方向。

论文在 25 个 OpenML 数据集上比较 CC-SSL 与 EA-SSL，用 1%、5%、10% 标注率评估半监督表格分类；两者的测试 MacroF1 中位数都高于 3 个轻量 SSL 基线，且 1% 标注时差距最大。正文给出机制：CC-SSL 联合进化两组特征子视图与伪标签策略；EA-SSL 作为参数匹配的单体进化基线。真正值得盯的是，CC-SSL 对 EA-SSL 的最终测试表现多数只是统计平局，而 EA-SSL 在 best-so-far fitness、搜索多样性和部分多分类场景的达标代数上更强。

论文研究有限选项上的抽签可行性：算法只靠二元接受/拒绝反馈，寻找让全部利益相关方都接受的抽签方案，或证明不存在。作者给出确定性、随机化和 learning-augmented 算法，并证明最坏情况下查询复杂度对利益相关方人数呈线性、对精度呈对数依赖。真正值得盯的是，适应式查询可少问一部分人的约束；预测准时还能继续降成本，同时保留最坏情况保证。

论文在批归一化线性模型里证明：归一化会逐步抬高有效学习率，并在白化平方损失回归中触发延迟损失尖峰。摘要给出无上升沿条件、延迟起始条件、方向性起始等待时间上界，还称上升沿会在有限步内自稳定。对 logistic regression，结果只在高度受限的 active-margin 与 knife-edge 条件下成立；别把它当成神经网络损失尖峰的一般解释。

论文提出一种循环仲裁架构，用后果几何、仲裁记忆和资源约束压缩证据支持结构；自适应支持分辨率控制器在重复交互仿真中累计效用超过全部固定分辨率控制器。摘要还称，固定高分辨率控制拿到最高承诺准确率，但被资源成本与学习碎片化拖累；仿真规模、任务设定与具体数值正文未披露。真正值得盯的是，作者把“保留多少证据”改写成动态控制问题，不是静态置信度阈值。

论文提出一种数据删除方案，可在深度学习中以误差趋近 0 的 ε 和失败率 δ，快速预测删去训练子集后的模型输出。其预计算与预测开销仅比常规训练和推理慢 O(log(1/δ)/ε²) 因子，存储需 O(log(1/δ)/ε²) 个模型；证明依赖“stability”假设，并在 microgpt 的最小实验中验证。真正值得盯的是，它把数据影响追踪从重训问题改成可预计算的近似查询。

Lizard 将预训练 Transformer 大语言模型改造成次二次架构，并在 5-shot MMLU 上比既有线性化方法高 9.4 到 24.5 分。论文称其用近似 softmax 的次二次注意力，加上可学习的紧凑模块做自适应记忆控制，并提出面向硬件的算法处理 gated attention 数值不稳定。真正值得盯的是，它瞄准的不只是训练算力，还包括长上下文推理时随长度增长的 KV cache 内存瓶颈。

论文提出 CAARL，用 LLM 预测协同演化时间序列，并把序列拆成自回归片段、构建时序依赖图、再序列化成叙事文本。摘要称其在真实数据上验证了有效性，能给出类似 chain-of-thought 的中间推理轨迹；具体数据集、指标、提升幅度正文片段未披露。

论文发布了 R&F-Inventory 数据集，用于触达频次广告的库存估计，并定义了 2 个标准任务。数据以“定向-排期-频控”为上下文，在同一上下文下提供多个预算点的 UV、PV 观测，形成完整预算-效果曲线，还显式包含“5 天不超过 3 次”这类时间窗频控。真正值得盯的是它把单调性、边际递减和理论曝光上限写进数据与校验流程；数据规模正文未披露，实验代码已在 GitHub 提供。

论文提出 Live LTL Progress Tracking，用有限线性时序逻辑在轨迹每个时间步更新一个 tracking vector，给任务规格标注 true、false 或 open 三种状态。该方法把向量应用到 LTL 公式树，编码多阶段任务在整条轨迹中的执行进度，可用于性能度量、探索多样性和奖励塑形。真正值得盯的是它瞄准非马尔可夫 RL 目标，但摘要只给出算法框架与简单示例，未披露实验规模、基线结果和具体 RL 集成收益。

论文提出一个优化理论框架，把最优控制的终端横截条件与广义 KKT 条件对应起来，用于从约束优化问题导出算法。摘要称该框架会生成贯穿隐藏空间的自然向量场，并通过 Pontryagin 型最小值原理、Hamilton-Jacobi 不等式与控制跳跃构造逆最优算法；可生成多少算法、覆盖哪些基准，正文未披露。真正值得盯的是，它想把算法设计改写成统一动力学问题，而不是再给单个优化器补经验解释。

这篇 arXiv 论文提出 IA-VAE，用超网络按输入生成编码器调制，在单次前向条件下缓解 VAE 的摊销间隙。作者称该变分族包含标准摊销推断，所以最优 ELBO 不会更差；正文未披露具体参数规模与提升幅度，只说在合成数据和标准图像基准上，held-out ELBO 提升且多次运行达统计显著。真正值得盯的是，它把“更强后验近似”做成了输入相关参数化，不是单纯堆大编码器。

论文提出一个基于 transformer、用 PPO 训练的动态图剪枝框架，在 RRT 前沿探索仿真中将图规模最多压缩 96%。摘要称该方法在稀疏且延迟奖励下学到剪枝决策，但探索速率低于基线，标准差最低。真正该盯的是权衡：图更小且更稳定，正文未披露环境数量、算力开销与真实机器人结果。

DMF 在 FFHQ 成人到儿童域翻译中，以 16 倍更低训练算力达到或超过 Optimal Flow Matching。论文给出两项理论结果：推导两粒子替代系统的收缩阈值，并证明线性调度摩擦系数可给出有限时域误差界。真正值得盯的是，高斯核下若漂移场在任意开放集上为 0，则可推出 q=p，补上原始 Drifting Models 可识别性的反向结论。

ProtoCLIP 在未见数据集 VinDr-CXR 上把零样本胸片分类 AUC 提高 2 到 10 个百分点，气胸任务达到 0.94。方法包含两步：构造病灶聚焦训练子集并加入精筛负样本，压低标签共现偏差；再用保持表征结构的蒸馏目标稳定迁移。真正值得盯的是，它瞄准域偏移、长尾分布和共现病灶误判，且不需大规模重训。

D-QRELO 用 1 比特粗粒度量化加残差低秩近似压缩 LLM 微调 delta 权重，且不需要额外训练或数据。摘要称，大规模 SFT 数据会放大 delta 参数幅度、奇异值与熵，拉高压缩误差；该方法先抓主结构，再用较小残差做细节恢复。真正值得盯的是，它同时覆盖 dense 与 MoE 架构，但摘要未披露压缩率、具体基线名和各任务数字。

论文提出基于 Gaussian Differential Privacy 的审计框架，在 MST 和 AIM 的最坏情形下做紧隐私审计。摘要给出 (ε,δ)=(1,10^-2) 时，经验 μ≈0.43，对应理论 μ=0.45，理论与实践差距很小。真正值得盯的是，它用完整的假阳性/假阴性权衡评估 DP 保证；正文仅披露摘要，实验设置细节未展开。

论文研究小权重初始化下，深度 ReLU 网络的梯度下降如何从参数原点鞍点逃离，并给出首个逃离方向的结构定理。结果称第 ℓ 层权重矩阵的第一奇异值，至少比其余奇异值大 ℓ^{1/4}，显示更深层存在低秩偏置。作者还提出鞍点到鞍点动力学：GD 会经过一串瓶颈秩递增的鞍点；正文未披露实验规模或数值验证细节。

论文提出 OPS 函数，把任意基于混淆矩阵的分类指标映射到 [0,1]。O-Value 被定义为观测性能在参考分布中的百分位排名，用来跨不同类不平衡测试集比较结果。摘要称已在多类真实数据集实验验证稳健性，具体数据集、基线和提升幅度正文片段未披露。

论文提出 Local Inconsistency Resolution（LIR）算法，用迭代聚焦子模型并调整可控参数来做学习与近似推断。该框架建立在 Probabilistic Dependency Graphs（PDGs）上，声称可统一 EM、belief propagation、adversarial training、GANs 和 GFlowNets；正文摘要只披露其已在离散 PDGs 与合成数据上实验。真正值得盯的是，它给 GFlowNets 提出了一种更自然的损失，并报告收敛更好，但摘要未披露具体指标与幅度。

该论文提出 CGCL，用 3 阶段课程训练 LLM 生成符合 Toulmin 结构的临床诊断论证。三阶段覆盖事实抽取与鉴别诊断、核心假设论证与反驳、最终带限定条件的结论综合。实验称其诊断准确率与推理质量可比高成本 RL，T-Eval用于量化推理完整性，但正文未披露模型名、数据集规模与具体分数。

论文提出 Multi-Beholder，用 H&E 全切片图像预测低级别胶质瘤 5 个生物标志物，在 TCGA-LGG 内部验证集 AUROC 最高达 0.973。方法把单类分类并入多实例学习，做实例级伪标签补全切片级标签；在 Xiangya 外部队列 AUROC 最高为 0.820，代码已开源。

这篇论文提出 RCT，用强化学习把 LLM 与 Random Forest 双向耦合，并在 3 个医疗数据集上让两类模型都获得提升。机制是把表格数据转成标准化文本供 LLM 编码，再用 LLM embedding 扩充 RF 特征，同时把校准后的 RF 概率作为 LLM 的强化学习反馈。真正值得盯的是双向训练闭环；具体增幅、模型规模与训练成本，摘要未披露。

论文提出一体化框架，结合 ConGA-PepPI 与 TC-PepGen 做肽-蛋白相互作用预测和靶标条件肽生成；5 折交叉验证中，ConGA-PepPI 准确率 0.839、AUROC 0.921。该模型用非对称编码、双向交叉注意力和从成对预测到结合位点定位的渐进迁移；结合位点 AUPR 在蛋白侧为 0.601、肽侧为 0.950。真正该盯的是闭环筛选设计：TC-PepGen 在长度受控基准下有 40.39% 生成肽的 AlphaFold 3 ipTM 超过天然模板。

该论文为盲逆问题中的 LMMSE 学习推导了闭式最优估计器，并给出有限样本误差界，误差随噪声水平、问题条件数与样本数量变化。论文还把该问题与定制的 Tikhonov 正则化建立等价关系，正则结构显式依赖信号、噪声和随机前向算子的分布。真正值得盯的是，它把算子随机性如何拖慢收敛率写成了理论项；正文摘要未披露实验规模。

论文提出一种基于 Nyström 近似的 MMD 双样本检验，并用置换检验保持统计有效性，目标是把大规模场景的计算成本降下来。摘要给出的核心结果是有限样本检验功效界，且在分布按 MMD 充分分离时，分离率达到该设定下已知的 minimax 最优速率；数值实验已做，但正文未披露具体数据集规模与运行开销。真正值得盯的是，它不只做近似加速，还给出功效保证。

论文提出：当训练数据均匀落在一维子空间时，分数函数的平滑会驱动扩散模型沿该子空间生成训练样本之间的插值点。作者给出解析解与数值实验，并称神经网络学习到的分数函数即使无显式正则，也会在简单非线性流形上出现类似效应。真正值得盯的是，摘要只确认机制与设定，正文未披露具体基线、指标和实验规模。

论文提出 Coupled-BIM 与 Coupled-GM 两种 Mamba 变体，并在输入延迟摆与 NARMA-10 两个任务上比较记忆保持和双线性计算。结果显示，Coupled-GM 只明显改善记忆保持；Coupled-BIM 同时提升两项能力，且只有它会随 SSM 状态维度增大继续受益。真正值得盯的是并行扫描兼容门控并不等于双线性计算，正文未披露具体分数与参数规模。

Torch Geometric Pool 发布了一个基于 PyTorch Geometric 的图池化库，提供 20 种分层池化器，并用 SRCL 分解统一接口。正文说明它标准化了池化输出对象，支持 dense pooler 的批处理与非批处理模式，也提供缓存和预粗化流程。真正值得盯的是复用性：同一套模型代码可跨多种 pooling 方法比较，库已在 GitHub 和 PyPI 以 MIT 许可发布。

LEOPs 数据集发布了 5309 条单闪 ERG、4434 条 OPs 波形，覆盖典型发育、ASD 与 ASD+ADHD 儿童青少年。数据来自澳大利亚和英国两地，用手持 RETeval 在左右眼采集，含 9 步随机闪光、2 步高强度闪光和 85 Td·s 标准刺激。仓库还提供个体级 JSON、刺激代码、电极位置图像与部分诊断分数；真正值得盯的是它把时序生理信号和采集元数据一起放出。

论文为异步更新下的 Polyak-Ruppert 平均 Q-learning 建立了两类中心极限定理。摘要明确给出非渐近 CLT，其 Wasserstein 距离收敛率依赖迭代次数、状态动作空间大小、折扣因子和探索质量；还证明部分和过程弱收敛到布朗运动。真正值得盯的是，它把异步 Q-learning 的统计波动写成可分析对象，但 RSS 摘要未披露具体界、实验设置或定理常数。

该论文把 BINN 从 1D+t 扩展到 2D+t 反应扩散系统，并用时间序列显微数据学习肺癌细胞群体动力学方程。方法链包含数据预处理、BINN 方程学习、符号回归后处理；标题与摘要给出闭式方程发现，正文片段未披露数据规模、误差指标与训练成本。真正值得盯的是，它把 PDE 从正则项改成显式识别目标，面向可解释方程恢复，不只是前向预测。

arXiv:2604.17219 为 Gibbs 后验推导了显式、非渐近的 PAC-Bayes 泛化界。方法把经验风险指数倾斜先验得到后验，并分析参数空间中的边际型积分；正文给出低秩矩阵补全与 ReLU 网络回归、分类例子。真正值得盯的是，它瞄准过参数化与奇异模型，且声称界比经典基于度量熵的复杂度界更紧。

RefineStat 提出一套面向概率程序合成的框架，用语义约束和诊断式重采样提升小语言模型生成质量。摘要称，它会强制分布合法、参数成形，并在可靠性检查失败时重采样先验或似然项。真正该盯的是，作者说小模型结果常能追平或超过 OpenAI o3，但正文未披露具体任务、分数和模型规模。

论文证明：在 BG-0 方差条件下，求非凸平滑函数的 ε-驻点至少需 Ω(ε^-6) 次随机查询；均方平滑情形至少需 Ω(ε^-4) 次。摘要还给出 PASTA，把 Halpern anchoring 与 Tikhonov regularization 结合，用来压住随距离二次增长的方差项，并称其在多类非凸设定达到 minimax 最优。真正值得盯的是，这把无界方差的复杂度劣化定成了下界，不再只是分析松。

论文提出 G-PARC，用移动最小二乘核在非结构图上近似空间导数，并把 PDE 导数直接嵌入网络计算图。摘要称，它在河流水文学、平面激波、弹塑性动力学基准上，参数量比 MeshGraphNet、MeshGraphKAN、GraphSAGE 少 2-3 倍且精度更高。真正值得盯的是，它用解析微分算子替代 encoder-processor-decoder；摘要未披露具体数据集规模与误差数值。

SAND 挑战赛发布一个带临床标注的语音验证数据集，用于开发和评测 ALS 早筛与进展预测模型。摘要点名对象是 ALS 相关构音障碍语音，机制是由临床医生与机器学习团队联合标注；数据规模、任务划分和评测指标正文未披露。真正值得盯的是参考数据集是否可复现，因为当前瓶颈被直接指向“缺少标注数据”。

该论文系统评测 LLM 在分子生成中的创造行为，并将其拆成 2 个维度：收敛创造力与发散创造力。评测覆盖理化性质、ADMET 和生物活性任务；摘要称增加约束后，模型的约束满足率会上升，但未披露具体模型名、数据规模与分数。真正值得盯的是，它把分子生成从“对错题”改写成“受约束搜索”问题。

论文提出 JuRe，用单个 hidden dimension 128 的深度可分离卷积残差块做时间序列异常检测，在 TSB-AD 多变量基准拿到 AUC-PR 0.404，覆盖 17 个数据集、180 条序列。它在 UCR 单变量档案的 AUC-PR 为 0.198，覆盖 250 条序列；消融显示去掉训练期 corruption 会让 TSB-AD 的 AUC-PR 下降 0.047。真正值得盯的是训练目标，不是堆注意力或潜变量；论文还称其在 TSB-AD 上对 25 个基线中的 21 个有 Wilcoxon 显著性优势。

该论文提出一种结合模糊逻辑的不确定性感知损失函数，并在 2 个公开数据集 IBSR、OASIS 上用于 MRI 脑组织分割。方法把 categorical cross-entropy 与 fuzzy entropy 组合，并在 U-Net、U-Net++ 上对比 CCE。真正值得盯的是，它瞄准像素分类不确定性；摘要称多项指标优于 CCE，但未披露具体分数。

论文提出 Thermodynamic Liquid Manifold Network，用 22 个气象与几何变量预测离网光伏发电，在 1826 天测试中把夜间误差压到 0。模型含 Spectral Calibration 和 Thermodynamic Alpha-Gate，共 63,458 个参数；5 年测试 RMSE 为 18.31 Wh/m²，Pearson 相关系数 0.988。真正值得盯的是，它把天体几何约束直接写进结构，目标不是刷分，而是消除夜间虚假发电和云瞬变相位滞后。

论文提出把 Bayesian Attack Graphs 与过程挖掘结合，用在线系统行为证据动态更新漏洞被利用与关键节点失陷的概率。方法先用过程挖掘刻画恶意网络流量，再把利用证据写入条件概率表；实验基于含多台机器、多个子网和多个 CVE 漏洞的网络靶场。真正值得盯的是它做的是运行中概率更新，不是静态攻击面枚举；正文未披露具体样本规模与量化指标。

论文提出 CoCo-LoRA，用于带音频上下文的文本预测，在低资源条件下做多模态、不确定性感知的参数高效微调。方法把音频嵌入一次投影到共享上下文空间，再经各层轻量头调制低秩空间中的变分后验；随机性只放在紧凑秩空间潜变量。作者称其在多任务、多骨干评测中持续持平或优于文本 PEFT 与特征融合迁移基线，但摘要未披露具体数据。

论文提出 PODPO，用仅正优势样本更新在线强化学习策略，并去掉似然建模与梯度裁剪。机制是 advantage-weighted local contrastive drifting；摘要称它利用生成模型的局部平滑性，把动作推向高回报区域。真正值得盯的是它不再事后惩罚负样本，但正文未披露实验结果、基线和具体增益。

FRIGID 提出扩散语言模型，用数亿无标签分子结构训练，并按质谱、指纹表示与已确定化学式生成分子结构。论文称其用前向碎裂模型做推理时扩展，通过定向重遮盖与去噪修正不一致片段，在 MassSpecGym 的 Top-1 超过 18%，在 NPLIB1 将现有方法 Top-1 提高到 3 倍；代码已开源。

论文提出 2 种算法，用参数化高斯消息传递计算线性模型的 L1 正则化路径，覆盖 L1 正则化 Kalman smoothing、linear SVM 与 LASSO。两种算法互为对偶，分别处理独立变量与因变量的 L1 正则化；核心机制是因子图上的 Kalman 型前向-后向递推，正文未披露基准数字。真正该盯的是适用边界与复杂度条件：作者只称在部分情形下可与既有方法竞争，未给出统一优势。

论文提出 Hourglass Persistence，用交替的包含与收缩序列描述图拓扑，并称其在标准真实图数据集上持续优于多种 PH 方法。正文给出机制：前向持久同调与收缩同调在表达力上不同，算法可插入端到端可微 GNN 流水线；具体提升幅度与数据集数量在摘要未披露。真正值得盯的是收缩操作被正式纳入拓扑描述子，这不只是换特征，而是在改 GNN 里拓扑信息的生成过程。

GRAIL 提出用 LLM 弱监督加环境交互，自动学习神经符号强化学习中的关系概念落地，覆盖 Kangaroo、Seaquest、Skiing 3 个 Atari 任务。摘要称它在简化设定下追平或超过手工概念智能体，并在完整环境中暴露奖励最大化与高层目标完成的权衡；具体分数、样本效率和模型规模，正文未披露。

论文提出 FedLLM，用联邦学习做 15-60 分钟多步交通流预测，并通过只交换轻量 LoRA 适配器参数保护各客户端数据。方法包含 CSS 高速路段选择、面向交通结构化提示的领域微调，以及支持非 IID 分布的跨区域协同训练；摘要称其优于中心化基线，但未披露数据集规模、具体指标和提升幅度。真正值得盯的是参数交换与可解释输出这套组合，不是“LLM 做交通预测”这个标题。

论文提出 EviDep，用 Normal-Inverse-Gamma 分布同时估计抑郁严重度、偶然不确定性和认知不确定性，并用解耦融合抑制多模态证据重复计数。方法包含基于小波 Mixture-of-Experts 的频率感知特征提取，以及共享共识与模态特有信息的显式分离；作者称其在 AVEC 2013/2014、DAIC-WOZ、E-DAIC 上取得更高精度和更好校准，但正文未披露具体分数。

论文提出 Grasp 网格搜索框架，在非凸与凸两类随机优化中追求“完全无参数”算法。核心机制是自界分析自动确定参数搜索范围，不再要求输入满足真实问题参数的上下界条件。摘要称非凸情形达到接近最优收敛率且仅差对数因子，凸情形兼顾加速与普适性；正文未披露实验设置、基线和具体常数。

论文提出概率天气预报模型 Mosaic，在 1.5° 分辨率、2.14 亿参数下，匹配或超过用 6 倍更细数据训练的模型。它用 learned functional perturbations 生成集合成员，并在原生分辨率网格上采用 block-sparse attention，以共享相邻查询的 key/value 实现线性成本长程依赖。24 成员、10 天预报在单张 H100 上耗时低于 12 秒；真正值得盯的是，单个集合成员在全部已解析频率上接近完美频谱对齐。

论文提出 ASRNNs，用仅含两个不规则时间点的训练轨迹学习非线性哈密顿系统，并在相关噪声下保持长期预测精度。方法把哈密顿学习与辛递归积分结合，绕开时间导数估计；再把 ASRNNs 作为数据生成器，配合 SINDy 和 PySR 恢复多项式系统的精确符号方程。真正值得盯的是结构约束：这不是多堆数据，而是靠物理结构扛住极端稀疏采样。

RosettaSearch 用 LLM 在推理时搜索蛋白质序列，并在 400 条 LigandMPNN 生成的次优序列上把设计成功率提高 2.5 倍。论文称其结构保真度指标提升 18% 到 68%，奖励由 RosettaFold3 计算，且用独立预测器 Chai-1 复核后结果仍成立。真正值得盯的是它把搜索轨迹变成训练数据；代码和数据集将在论文发表时释放。

该论文在苏丹的 NASA POWER 数据上，用物理引导的 CNN-BiLSTM 预测全球水平辐照度，RMSE 做到 19.53 W/m²，优于注意力基线的 30.64 W/m²。模型把 CNN 的空间提取、BiLSTM 的时序建模，与 15 个人工特征结合，特征含 clear-sky 指数和太阳天顶角，并用贝叶斯优化调参。真正该盯的是机制：正文给出了误差和特征数，但未披露样本规模、预测跨度与具体 Transformer 基线细节。

论文把二值神经网络推理写成 Sugeno 积分，并在隐藏层神经元的二值输入条件下，把激活阈值测试改写为该积分。正文给出每个神经元决策的显式集合函数表示和 if-then 规则表示，还给出最后一层分数的 Sugeno 表达式。真正值得盯的是，这让 BNN 决策可直接映射成规则系统；摘要未披露实验规模与精度结果。

Xingsheng Chen等9位作者在arXiv发布UniMamba，用于多变量时间序列预测，并在8个公开基准数据集上报告精度与计算效率同时优于现有方法。模型由Mamba变量通道编码层、时空注意力层和前馈时间动力学层组成，正文只给出FFT-Laplace Transform、TCN与状态空间和注意力融合机制，未披露具体提升幅度。真正值得盯的是它把Mamba长序列效率和显式时序依赖学习放进同一框架，这更像时序架构整合，不是单点技巧。

这篇 arXiv 论文用 400–1000 nm 田间高光谱图像和集成特征选择，评估 4 个葡萄品种叶片与冠层氮含量；叶片层面 Chardonnay 的最佳结果为 R²=0.82、RMSE=0.19 %DW。数据覆盖 2022 与 2023 生长季、bloom 和 veraison 两个阶段，包含 Chardonnay、Pinot Noir、Concord、Syrah。真正值得盯的是，叶片层挑出的氮敏感波段可迁移到冠层层面，且在部分品种上保持或提升预测精度。

PWRules 用结合亲和力数据提取 protein words 与小分子片段的互补配对规则，并用 PWScore 对活性化合物排序。摘要称它在基准数据集上达到与 Glide、PSICHIC 可比的表现，还能泛化到训练集外靶点，如 SARS-CoV-2 主蛋白酶；基准规模、训练数据量和具体指标正文未披露。真正值得盯的是，它未用显式结构监督，却学到在配体结合口袋附近富集的规则，还能与现有方法联用提升富集效果。

论文提出 GIST 神经替代模型，并发布基于 LMP2 级 CAD 的高保真 RANS 数据集，覆盖 6 个工况，目标是替代单次需数万 core-hours 的高保真 CFD 评估。摘要称该模型具备离散化不变性，复杂度随网格规模线性增长，并在公开基准和赛车数据上达到 SOTA；正文未披露具体误差、网格规模和推理时延。真正值得盯的是，作者把“交互式设计探索”首次放进工业赛车流程验证。

论文用微调 LLM 生成健康场景反事实，在 AI-READI 数据集上把可行性做到 99%、有效性做到 0.99。作者比较 GPT-4、BioMistral-7B、LLaMA-3.1-8B 与 DiCE、CFNOW、NICE；在 3 种标签稀缺设置下，反事实数据增强平均恢复 20% F1。真正该盯的是，LLaMA-3.1-8B 微调后既能做可执行干预，也能补少数类样本。

一项多中心研究称，结合 RF、LightGBM 和 DNN 的 stacking 集成模型在内部测试集上表现较好，在类别极不平衡条件下 NPV 仍高于 99.9%。外部 eICU 队列表现低于内部测试集，但敏感性仍保持稳健；真正该盯的是，正文只给出摘要片段，未披露样本量、AUC、特异性和前瞻性验证设计。

论文提出 FlowRefiner，用流匹配迭代精修 3D 湍流自回归预测，并在大规模多尺度湍流实验中报告了最优精度。方法把随机去噪改成确定性 ODE 校正，所有阶段共用速度场回归目标，还用解耦 sigma 调度固定噪声范围。真正值得盯的是小噪声区间稳定性；具体基准名、误差数字和算力成本，正文摘要未披露。

FireScope 提出 FireScope-Bench 与 VLM 框架，在美国训练、欧洲测试的野火风险栅格预测上取得提升，但摘要未披露具体分数。数据集结合 Sentinel-2 影像、气候数据、美国专家风险栅格与欧洲真实火情；模型同时用强化学习和视觉监督生成风险图与推理轨迹。真正值得盯的是跨洲泛化与可解释性被放到同一基准里，但公开数据和代码目前只写“将发布”。

该论文提出一套训练框架，在高维广义线性模型中先用辅助特征推断敏感属性，再加入公平性约束以降低偏差。摘要称该方法在隐私或法律限制下仍可训练，并尽量保留预测准确率；数据集、约束形式、评测指标与提升幅度正文未披露。真正该盯的是可复现细节：若没有敏感属性推断误差和公平—精度权衡曲线，效果很难判断。

论文提出 Adaptive Domain Models 训练架构，把训练内存压到约为推理占用的 2 倍，且与网络深度无关。摘要称其结合类型系统、Program Hypergraph 与 b-posit 2026，可做精确梯度累加、保持几何 grade，并覆盖损失优化与 STDP 模型。真正值得盯的是部署机制 warm rotation；正文未披露实验、硬件与基准结果。

SparrowSNN 提出一套面向边缘 ECG 分类的软硬件协同设计，在 MIT-BIH ECG 和 DEAP EEG 上把能耗降到现有超低功耗方案的 1/20 到 1/100。正文给出 3 个部件：SSF 激活函数、可定制的微瓦级量化混合 ANN-SNN 模型、可重构低功耗 ASIC。真正值得盯的是它把 SNN 的时序读权重开销当成系统问题一起改，不只是在模型侧省电。

论文在 90014 场足球比赛、5 家博彩公司数据上，提出 OO-EPC 与 FL-GLM 两种赔率转概率方法，并报告它们优于现有仅赔率法和广义线性模型。OO-EPC 不用历史数据拟合，按各结果“等盈利置信度”定价；FL-GLM 只拟合 1 个参数，专门校正 favourite-longshot bias。真正值得盯的是约束设计：这不是再堆特征，而是把有效市场假说压进模型结构。

该论文综述并基准测试近 60 种辐射探测脉冲形状判别算法，并在 2 个标准化数据集上统一评估。评测使用 FOM、F1-score、ROC-AUC 与方法间相关性；数据来自 241Am-9Be 未标注集和 238Pu-9Be 飞行时间标注集。结果指向深度学习，尤其 MLP 与统计特征结合神经回归的混合方法，常优于传统算法；作者还公开了 Python、MATLAB 工具箱和数据集。

论文提出 AACE，用专家标注训练多模态 EHR 治疗策略模型，并在推理时只依赖表格数据与临床文本表示来预测治疗获益。摘要称该方法在合成、半合成和真实 EHR 数据上优于基于风险和表征的因果基线，但未披露具体数据集规模、指标数值与标注成本。真正值得盯的是，它直接针对“表征丢失混杂信息会导致偏差”这个临床因果学习痛点。

论文提出机器学习方法，求解含二元 here-and-now 变量、且不确定集为多面体的两阶段线性自适应鲁棒优化问题。方法把最优 here-and-now 决策、对应最坏情景、最优 wait-and-see 决策编码成三类 strategy，并先用列约束生成算法解相似实例来构造训练集。作者在 facility location、multi-item inventory control、unit commitment 上测试；摘要称速度大幅快于现有算法且精度高，但未披露提速倍数与误差。

PrivaDE 提出一套隐私协议，让模型方与数据方在不暴露模型参数、原始特征和标签的条件下，共同计算候选数据集效用分数。论文称该协议可抵抗恶意行为，并接入区块链市场，由智能合约执行公平结算；实验结果给出在线运行时间控制在 15 分钟内，模型规模可达数百万参数。真正值得盯的是它把“买前验数”做成可执行流程，但正文未披露更细的基线、成本拆分和链上开销。

SHRUG-FM 用三类信号融合，让地球观测基础模型在高风险样本上选择弃答，并在 3 个快速制图任务中降低保留样本的预测风险。三类信号包括输入空间地球物理 OOD、嵌入空间 OOD 和任务不确定性；对比基线点名 predictive entropy，但摘要未披露具体降幅。真正值得盯的是它用浅层决策树做信号融合，直接给出可解释的弃答阈值。

该 arXiv 论文把 Neural Operator 定位为 PDE 近似的更快替代方案，并强调其具备离散化不变性与分辨率不变性。摘要点名对比 FEM 与 FDM 的高耗时、高计算成本；正文未披露实验数字、具体模型族或基准结果。真正该看的不是“只靠数据”这句标题，而是它把数据驱动科学 ML 放在传统数值方法的补充位。

论文提出两阶段框架 ShockCast，用自适应时间步建模高速流，场景覆盖接近或超过声速的流动。第一阶段预测 timestep size，第二阶段把该时间步与当前流场一起用于状态推进；作者生成了 3 个超声速流数据集，并公开到 Hugging Face 与 AIRS 代码库。真正值得盯的是，它把时间步预测单列成一阶段，试图同时处理激波分辨率与计算成本。

MASPO提出统一RLVR框架，按三类失配机制优化LLM推理训练。方法包含软高斯门控、质量自适应限制器和非对称风险控制，分别处理梯度截断、概率约束均一化与正负样本信用分配偏差。摘要称其显著超过基线，代码已开源；正文未披露具体模型、基准分数和提升幅度。

论文提出 Multi-View Clusterability Score，用3个组件在聚类前评估多视图数据中的潜在噪声视图。3个组件分别是单视图结构可聚类性、联合空间可聚类性、跨视图邻域一致性；标题与摘要称这是首个面向多视图数据的可聚类性分数。真正值得盯的是预聚类筛查这一步，摘要称真实数据实验有效，但正文未披露数据集数量与具体提升幅度。

论文在 CVRP 基准上改造 LEHD 与 POMO 推理流程，并报告 Beam Search 与基于模拟退火的 RRC 持续缩小最优性差距。具体做法是给 RRC 加入概率接受机制以跳出局部最优，并给 POMO 接入 Beam Search；正文未披露具体降幅、数据集规模与计算开销。真正该盯的是推理期搜索设计，而不是再堆新网络结构。

该论文构建质子导电 MOF 数据库，并用描述符模型与 transformer 迁移学习模型预测质子电导率，最佳 Freeze 模型的 MAE 为 0.91。作者还用特征重要性与主成分分析检查影响因素；真正值得盯的是，正文给出的是“可估到一个数量级内”，数据库规模与样本分布未披露。

论文提出 Fisher Decorator，用局部传输映射细化离线强化学习中的流策略，并把 KL 约束目标近似为由 Fisher 信息矩阵控制的各向异性二次优化。摘要称该方法利用流速度中的 score function 构造二次约束，且在最优解邻域内给出可控近似误差；基准名称、具体分数和提升幅度正文未披露。真正值得盯的是，它把旧方法的误差归因于各向同性近似，而不是单纯模型表达力不足。

DGSSM 将多模态显著目标检测表述为渐进去噪过程，并在 13 个公开基准上报告优于现有方法。方法把扩散结构先验、多尺度 Mamba 编码、自适应显著性提示和迭代式 Mamba 扩散细化结合起来，还加入边界感知细化头与自蒸馏。真正值得盯的是边界恢复这块；摘要称模型尺寸紧凑，但正文未披露参数量与推理成本。

论文比较 5 种纵向视网膜预测配置后发现，训练与推理输入分布对齐可把 delta-SSIM 提高 0.082、SSIM 提高 0.086，且两项均 p<0.001。作者据此提出确定性回归模型 TRU，在 3 个平台、28,902 只眼的数据上，对 3 个基线在各 FAF 队列的 delta-SSIM、SSIM 和 PSNR 持平或更优；真正值得盯的是，对齐后框架差异不再显著。

该论文提出一种多智能体选项发现方法，用联合状态抽象压缩随智能体数量指数增长的状态空间。方法先近似团队“Fermat”对齐状态，再定义逐维 spreadness，并用神经图拉普拉斯估计器提取同步化选项。实验覆盖两个模拟多智能体领域的多个场景，正文未披露具体任务数；真正值得盯的是，它把“协调”直接写进表征，而不是事后拼接独立策略。

论文提出 BrainROI，并在 NSD 数据集的跨被试脑描述任务上取得领先结果。方法用 multi-atlas soft-ROI 共享空间、Voxel-gate 体素级融合和全局标签对齐；BLEU-4、CIDEr 均优于近期方法，但正文未披露具体增幅。作者还用本地部署的 Qwen 做小样本闭环提示优化，并在推理时加入参数化解码约束，真正值得盯的是跨被试泛化与可审计性。

EGMOF 用两阶段混合架构生成 MOF，在储氢数据集上做到 94% 以上有效率和 91% 命中率。方法先用 1D diffusion 模型 Prop2Desc 把目标性质映射为描述符，再由 transformer 模型 Desc2MOF 生成结构；仅 1000 个样本仍有效。真正值得盯的是，它声称可在 29 个性质数据集上做条件生成，旧方法做不到。

IDOBE 发布了一个传染病暴发预测基准，汇集跨百年监测数据，并切分出超 10,000 个暴发序列，覆盖 13 种疾病。论文用 11 个基线模型做 1 到 4 周预测，指标含 NMSE、MAPE 和 NWIS；结果显示 MLP 方法整体最稳，峰前阶段统计方法略占优。

ARCS 在 32 种电路拓扑上生成可 SPICE 仿真的完整模拟电路，仿真有效率达 99.9%，只需 8 次 SPICE 评估。其方案把图 VAE、flow-matching 模型与基于 SPICE 的排序串成混合流水线；单模型推理用拓扑感知 Graph Transformer，加 Best-of-3 后在 97ms 达到 85% 有效率。真正值得盯的是 RL 细节：作者把 GRPO 改到多拓扑训练里，用按拓扑归一化 advantage，把有效率较 REINFORCE 提高 9.6 个百分点，且只用 500 步。

SegWithU 在 ACDC、BraTS2024、LiTS 上以单次前向实现风险感知医学分割，AUROC/AURC 分别达 0.9838/2.4885、0.9946/0.2660、0.9925/0.8193。它在冻结预训练分割骨干上加轻量不确定性头，读取中间特征，用紧凑探针空间中的 rank-1 后验探针建模扰动能量，并输出校准图与排序图。真正值得盯的是，它保留分割质量且只需一次推理，代码已开源。

MerLin 发布开源框架，把线性光路强模拟接入 PyTorch 与 scikit-learn，并支持量子层端到端可微训练。作者称其已复现 18 篇光子与混合 QML 工作，覆盖核方法、储备池、卷积、循环与生成模型。真正值得盯的是可复现实验基线与硬件感知测试，不只是一套单点算法实现。

该论文在 CMS Trigger Dataset 上用物理先验 GNN 估计粒子横向动量，station-informed EdgeConv 把 MAE 做到 0.8525，参数量比深度学习基线至少少 55%。方法给出 4 种图构造：station-as-node、feature-as-node、bending angle-centric、η-centric，并加入带注意力与门控更新的 Message Passing Layer。真正值得盯的是精度-效率共设计，而非单纯换个 GNN 结构。

该论文统一整理 Android 恶意软件检测研究，并重现 12 个代表性方法做三维评测。评测覆盖检测效果、真实世界鲁棒性与效率；结果显示现有方法仍易受恶意软件演化和对抗攻击影响。真正值得盯的是语义建模短板：论文将问题归因于检测器难以从 APK 特征稳定捕获恶意行为语义。

该 arXiv 论文提出生物医学跨模态发现性缩放框架，并称在温和假设下，性能累计信噪能量遵循类 zeta 定律。机制落在协方差谱衰减、任务对齐信号投影和已学习表征；AUC 等指标可写成可识别谱模态上的累计能量。真正该盯的是交叉区间：小样本时简单模型更强，样本增大后高容量或多模态编码器反超。

论文提出统一约束扩散框架，在非凸可行集内同时处理等式与不等式约束。方法用 landing 机制替代投影，避免迭代 Newton 求解与投影失效，并覆盖过阻尼和欠阻尼正反向采样。摘要称训练与推理的函数评估和显存占用下降，样本质量接近现有最优；正文未披露具体降幅。

论文提出 PATH，用共享基因底座嵌入叠加患者条件调制，做癌症转移预测，F1 达到 0.8766。该方法把 CNV 和突变信号注入基因表示，再用图 Transformer 建模通路间注意力；摘要称较多组学 SOTA 提升 8.8%。真正值得盯的是，模型不只报分数，还声称能揭示疾病状态相关的通路重连。

该 arXiv 论文提出一个面向自动驾驶的 RISC-V 功能安全分析框架，并把优化目标指向 ASIL-D 级可认证平台，而非更快内核。摘要点名成本主要落在诊断覆盖分析、工具链资格认定、故障注入、安全案例生成，以及 ISO 26262、ISO 21448、ISO/SAE 21434 合规。真正值得盯的是认证流程自动化：文中列出 LLM 辅助 FMEDA、知识图谱安全案例、RL 故障注入、GNN 诊断覆盖，但正文未披露实验结果。

论文评测多源迁移学习与时间序列基础模型，发现前者在真实建筑数据上可将预测误差较单源迁移学习最多降低63%。文中比较4种多源架构，并给出阈值：需有16到32栋源建筑、各覆盖1年数据，多源模型才会按MAE稳定超过TSFM。真正值得盯的是选型条件，不是“通用模型”这个标题。

论文提出 p-SNE，用于把高维稀疏泊松计数数据嵌入低维空间。方法用泊松分布之间的 KL 散度度量样本差异，再用 Hellinger 距离优化嵌入；正文未披露定量指标和基线胜负。作者在合成数据、邮件通信、OpenReview 论文和神经 spike 记录上做实验，真正值得盯的是它把离散计数几何直接写进了降维目标。

ConforNets 通过改写 OpenFold3 的 pre-Pairformer 成对潜变量，在多态蛋白基准上提升了交替构象生成成功率。方法核心是对通道做仿射变换，并以全局方式调制 AF3 表征，可跨蛋白复用。真正值得盯的是监督式“构象迁移”：模型可从源蛋白学到变化，并在同一家族中诱导保守构象切换。

MoGERNN 提出一种归纳式时空图模型，用部分传感器观测预测未观测路段交通状态，并在 2 个真实数据集上持续优于基线。方法含稀疏门控的 Mixture of Graph Experts 与图编码器-解码器，正文未披露具体提升幅度；代码已公开在 GitHub。真正值得盯的是它声称传感器配置变化后仍保有竞争力，这不是补点插值，而是面向传感网络变动的泛化。

论文提出从满足未知漂移与扩散系数的 Itô 随机微分方程时间序列中提取两类统计特征，并用简单自回归算法验证其能提升预测。特征来自混合模型参数的统计重建，分为与当前状态无关的均匀重建和考虑状态依赖的非均匀重建；正文未披露数据集规模、误差降幅与具体算法复杂度。真正值得盯的是，它刻意避开神经网络架构干扰，只检验特征本身是否带来增益。

这篇综述系统梳理了医学图像分析应对分布偏移的4类方法：联合训练、联邦学习、微调和领域泛化。论文按医疗场景中的数据可得性、隐私约束和协作协议来组织方法，并给出经验分析：可访问的域信息越少，性能提升越受限。真正值得盯的是，研究重心正从显式分布对齐转向不确定性感知建模。

论文提出 Latent Interacting Particle Systems，用于在连续时间、离散状态的耦合隐马尔可夫模型中做近似后验推断。方法把未来观测编码为 look-ahead functions（twist potentials），再接入 twisted Sequential Monte Carlo；实验覆盖图上的潜在 SIRS 推断和基于真实数据训练的野火传播神经模型。真正值得盯的是，它瞄准的是 Doob's h-transform 后验难采样这个老问题；正文未披露量化结果。

论文提出 GEM，用图神经网络做量子误差缓解，并在 10 比特与 16 比特超导量子处理器随机电路上验证。方法把量子电路编码为属性图，将 T1、T2、读出误差写入节点特征，把双比特门误差写入边特征，再用双分支仿射校正约束物理一致性。真正值得盯的是可扩展性：摘要称 GEM 在小规模精度可比 CDR，零样本迁移到更大系统时 MAE 更低且更稳定，但具体误差数值正文片段未披露。