机器学习、人工智能、自然语言处理、计算机视觉、多智能体。
说明受限场地中微型振动驱动机器人群的分布式预测集群控制
简介本文提出一种分布式预测集群控制器，每个机器人各自求解非线性模型预测控制问题，只与邻近机器人交换预测轨迹。研究在数字孪生的开源振动驱动刷毛机器人（场地面积0.64平方米）上比较了六种安全约束形式，其中前瞻离散时间控制障碍函数整体表现最好。在趋光、趋光环绕和无刺激凝聚三类任务中，集群规模从十个机器人增加到几何堆叠极限，碰撞在小规模集群中保持较低水平，接近堆叠极限时明显上升，而协调性与凝聚性下降较为平缓。
说明整合奖励而非采样：全双工语音模型中打断与附和的窗口似然方法
简介全双工语音对话模型在用户插话时需要让出发言权，在用户只是附和时则应继续保持。论文指出，以整段对话为单位的强化学习（GRPO）在此任务上存在两类问题：二值窗口奖励在关键窗口上梯度为零，单一分数又被分散到与奖励无关的决策上。作者提出窗口似然（WL）方法，对每个窗口的停止决策做闭式积分并最大化正确行为的对数概率。在 HumDial-FDBench 上，WL 在六个结构不同的开源模型上取得了最佳的让出/保持 F1，并且未造成任何模型重新开启发言权的问题。
说明基于带加性光谱变异结构化线性混合模型的高光谱解混
简介本文针对高光谱图像中因大气、材料自身差异及光照地形变化引起的光谱变异问题，提出了结构化加性变异线性混合模型（SAV-LMM）。该模型在标准线性混合模型中以加性方式加入两项来处理光谱变异。作者基于非负矩阵分解设计了两种解混算法，并提出考虑光谱变异的新初始化方法。在合成和真实数据集上的实验表明，相比对比的先进方法，该方法在处理有光谱变异的图像时更有效。
说明Infinity Machine：一个用于科研的自我改进AI智能体
简介该论文介绍了Infinity Machine，一个可自我改进的AI智能体，用于解决答案可由程序或数据检验的研究问题。系统在十四个问题上进行了六天的测试，报告了在量子信息领域四项超越已发表最优结果的成果，并将SABRE量子比特路由的额外门数从68,559降至12,087。论文也如实记录了失败案例。
说明ExCal：通过超额校准实现免优化的多变量时间序列异常检测
简介本文提出 ExCal，一种仅使用正常数据训练的多变量时间序列异常检测方法，结合原始状态检索、信号与导数子空间及跨时间尺度的稳健统计量，无需梯度优化或异常标签。在 TSB-AD-M 的 180 条序列上，其 AUC-PR 与 VUS-PR 排名第二（共 24 种方法），与两个领先的非预训练方法无显著差异，但显著优于其余 21 种基线。该方法为批处理、转导式推理，未经在线场景测试。
说明以复制作为防御：通过诱导模型复制来保护图像免受编辑
简介本文针对Flux Kontext等基于扩散Transformer（DiT）的图像编辑器，提出一种主动防御方法Copying-as-Defense（CaD）。该方法在图像分享前加入不易察觉的扰动，使模型在参考图像上集中注意力，从而让编辑行为失效，模型转而复制输入图像。实验显示，编辑成功率由未受保护图像的81.4%降至24.0%，相对下降70.6%，并比最强基线DeContext再降44.3%，且每个优化步骤速度约快1.8至2.0倍。
看点提出让模型复制参考图而非忽略的新防御思路，通过早期注意力干预实现，并在多编辑器基准上显著降低编辑成功率，证据充分。
说明高分辨率触觉观测使隐藏的球拍控制机制可被学习
简介该研究用一只含864个节点的触觉-惯性手套，以100赫兹同步采集了70余名参与者的14000多次羽毛球击球数据，覆盖五种技能。作者提出基于力学的两层框架，从触觉历史中推断击球驱动与握持稳定两类控制，并还原其时空受力过程。研究发现，熟练者的控制更具选择性，并据此提供了针对力控制与力-运动协调的个性化指导。
说明多保真度训练如何改变原子模型中的不确定性分解
简介该论文研究在原子尺度建模中，先用大量低保真数据预训练、再用少量高保真数据微调的多保真度训练，如何影响预测不确定性。作者使用在ANI-1x上训练的深度集成均值-方差MACE模型，比较从头训练与预训练后微调两种方式，并在未见分子体系和高能构型两种分布偏移下分析偶然、认知和总不确定性。结果显示预训练降低了预测误差并改善了基于不确定性的排序，但预测方差校准不佳，在能量外推时更严重，主要退化来自高保真优化阶段。
