机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明利用Weisfeiler-Leman特征进行约束优化中的算法选择
简介本文提出一种自动化特征提取方法：先将问题实例转换为图，再用Weisfeiler-Leman图核生成结构化表示，并设计了基于割的表示（WLc）。作者在2023至2025年MiniZinc挑战赛的实例上，用支持向量机、随机森林和多层感知机进行实验。结果显示，在支持向量机上，割特征优于fzn2feat；在随机森林和多层感知机上两者差距较小。
说明自动化言语欺骗检测中持续存在的准确率上限
简介本文系统回顾了25年间的289份报告和6136个分类模型，并对其中3653个模型（分属97个数据集）进行了元分析。汇总准确率为74.4%（95%置信区间：71.2%-77.4%），且研究间差异较大。准确率更多取决于方法质量（如真值标注、数据来源、类别平衡和评估程序），而非模型复杂度；嵌入和大语言模型的应用并未带来预测性能的提升。作者认为该领域存在70%至75%的准确率上限。
说明面向风险规避决策的可信集机器学习
简介本文针对机器学习中需要防范最坏情况与重大损失的场景，提出以条件风险价值（CVaR）最小化替代平均表现优化的思路。为处理学习者对真实损失分布的认知不确定性，作者用可信集（概率分布的集合）表示该不确定性，设计了高效且可靠的学习器，并配合新的决策规则将每个可信集映射为单一预测分布。论文称该方法在分类、分布偏移及强化学习中能可靠地避免灾难性决策，同时期望性能损失较小。
说明面向大模型的通用文本教学（UTT）：不更新参数，把教师与学生的知识差距写成可复用的自然语言“提示册”
简介论文提出 UTT 框架，用成对评测找出学生模型与教师模型之间的知识差距，并通过学生、提示者、教师和综合者的多角色交互，迭代生成一份可解释、可复用的自然语言文件 Primer，而不更新参数。在 KernelBench 代码任务上，学生准确率从 9.4% 提升到 48.6%；在 Omni-MATH-2 数学任务上从 27.6% 提升到 51.7%。论文称，为某一师生组合合成的 Primer 也能推广到未参与合成的其他学生模型。
看点提出无需参数更新、以可读文本Primer传递师生知识差距的新范式；在数学和代码基准上做了对比与跨模型泛化验证，证据较充分。
说明基于分区多面体（Zonotope）几何方法的软演员-评论家算法用于运动学习
简介论文提出GeZo-SAC，在软演员-评论家（SAC）框架中为每个评论家额外预测定义分区多面体的生成元，用其几何宽度作为悲观偏移，并以两个评论家之间的分歧程度自适应地组合二者的输出。在四个MuJoCo-v5运动任务上，该方法在Ant-v5和Hopper-v5上取得最高平均回报，其余任务表现具有竞争力，且推理时部署的仍是未修改的SAC策略网络。
说明ContourVLA：面向广义指代表达分割的闭环感知-动作轮廓策略
说明VINCIE-NExT：借助图像上下文建模，将图像编辑能力迁移到视频编辑
简介该论文提出VINCIE-NExT框架，把图像编辑能力迁移到视频上，减少对大规模成对视频编辑数据的依赖。方法将视频编辑拆成“视频→图像→图像→视频”的子任务链，并引入新的位置编码，让图像示例中的外观变化在各视频帧中保持一致。实验在OpenVE-Bench上报告了多种编辑类别的最优表现，消融实验验证了各组件的有效性。
说明基于数据空间迭代的少步生成
简介流匹配是训练生成模型的常用方法，但从学到的概率流采样需要很多次网络计算。该论文提出数据空间迭代，在数据空间里直接逐步精修预测结果，从而不再需要人工设定的时间步离散化。作者表明，该方法可与分布匹配蒸馏结合，在 ImageNet 256×256 类别条件生成上优于标准离散化基线，并达到或超过经时间表搜索选出的变体。
说明SCORE：面向多元高斯分布的谱相关性估计方法
简介该论文提出 SCORE 框架，用于神经网络对高维高斯目标进行预测时，高效且数值稳定地近似协方差矩阵。方法将学习任务分解为边缘分布与结构化相关矩阵两部分，并在谱空间中学习相关矩阵，使用闭式高斯核评分规则进行训练。论文报告其在时间序列预测、单目深度估计和空间天气预测任务中取得更好的表现且计算成本更低。
说明DVLA-RL++：结合强化学习门控的双层视觉-语言对齐小样本学习方法
简介该论文针对小样本学习中文本语义可能引入背景等无关上下文干扰的问题，提出 DVLA-RL++。方法包括互补语义净化（CSP），从有标注样本生成本质与干扰两类描述并筛选证据；以及反事实强化学习门控（CRG），学习各层语义融合强度。实验显示在标准、细粒度和跨域基准上达到先进精度，相比 DVLA-RL 平均提升 1.4%。
说明可微分系统重采样：用于变分序贯蒙特卡洛的梯度可传递重采样方法
简介粒子滤波的重采样步骤是离散的，无法用梯度方法学习。本文提出可微分系统重采样（DSR），这是对系统重采样的温度可控松弛，保持其按累积分布排序的带状结构，同时允许完整的梯度流动。温度趋于零时，DSR收敛到精确的系统重采样，作者还证明了偏差的逐点指数收敛速率。实验表明，DSR在滤波和动力学学习上表现与现有方法相当或更好，且计算开销远低于基于最优传输的方法。
说明重组并精炼用于视觉-语言-动作模型的潜在推理流
简介本文提出FLOWMEM，一种统一的视觉-语言-动作（VLA）模型，把成功执行过的潜在推理过程保存为可复用的经验。该方法会随任务情境变化动态检索并重组兼容的潜在片段，形成推理路径，再结合当前视觉与本体感觉信息加以精炼，用于指导动作生成。在RoboMME和LIBERO-Plus上的实验显示，其成功率分别为48.0%和77.3%，分别比无记忆策略高出1.7和4.1个百分点。
