cs
12-23 00:00
本文提出了一种名为激活LoRA（aLoRA）的新型LLM服务引擎，首次实现了基础模型与适配模型之间跨模型的KV缓存复用。该设计通过引入基础对齐块哈希和激活感知掩码，扩展了vLLM框架，允许在模型执行路径中跨模型复用缓存，同时保持与现有服务引擎优化的兼容性。集成到生产级推理栈后，该方法支持动态适配器激活，无需大量重新计算键值张量。评估显示，在典型的多轮次、多适配器流程中，相比标准LoRA基线，端到端延迟最高降低58倍，首词生成时间提升超过100倍。
大语言模型kv缓存复用lora适配器推理优化模型服务
cs
12-23 00:00
针对多模态推理大语言模型（RMLLMs）的机器遗忘任务面临独特挑战：即使最终答案被遗忘，中间思维链步骤仍可能泄露敏感信息，而过度干预又会损害模型的通用推理能力。研究团队提出了首个RMLLM遗忘基准RMLLMU-Bench，并发现现有方法在抑制推理级信息泄露与保持推理能力之间存在严重失衡。为此，他们提出了一种无需训练、在推理时进行干预的框架R-MUSE，通过子空间引导和自适应调控，在有效遗忘答案和推理痕迹的同时，显式地保留通用推理能力。实验表明，R-MUSE在有效遗忘与推理保留之间取得了显著更好的平衡。
机器遗忘多模态大模型推理能力思维链信息泄露基准评测
cs
12-23 00:00
本文提出Graph-O1，一种解决文本属性图问答难题的智能体框架。针对现有检索增强生成方法忽视图结构或受限于大语言模型上下文长度的痛点，Graph-O1将推理过程建模为智能体与图环境的多轮交互。其核心创新在于融合蒙特卡洛树搜索与端到端强化学习，使模型能选择性探索并检索信息量最高的子图组件，而非序列化整个大子图。实验表明，该方法在多个大语言模型基座上均能超越现有最优基线，生成更准确、可靠且可解释的答案。
图推理检索增强生成蒙特卡洛树搜索强化学习大语言模型智能体
cs
12-23 00:00
本文提出了一种专为医疗应用设计的拜占庭容错多智能体系统，旨在解决分布式AI医疗系统在对抗性环境中面临的消息完整性与容错性挑战。系统集成了基于Gossip协议的去中心化消息传播与密码学验证机制，通过拜占庭共识协议协调诊断、治疗规划等专业AI智能体。核心协议在总节点数 n = 3f + 1 时可容忍最多 f 个故障节点，并基于 2f + 1 票达成共识。实验表明，该系统能有效验证医疗消息签名、防止重放攻击，并在高达33%的拜占庭节点存在时保持100%的共识准确率，为不可信环境下的协同医疗决策提供了一个安全、弹性的实用框架。
拜占庭容错多智能体系统医疗aigossip协议分布式共识安全医疗
cs
12-23 00:00
针对多智能体大语言模型系统中因冗余传输上下文信息导致的带宽与计算资源瓶颈，本研究提出Q-KVComm协议。该协议允许智能体间直接传输压缩后的键值（KV）缓存表示，而非原始文本，避免了接收方重复计算相似语义表示。其核心创新包括：基于敏感度分析的自适应分层量化、跨内容域的关键信息保留混合提取，以及建立跨架构通信的异构模型校准。在三个问答数据集上的实验表明，Q-KVComm实现了5-6倍的压缩比，同时保持语义保真度（连贯性质量评分均高于0.77），并在1.1B至1.5B参数规模的模型及对话问答、多跳推理等实际应用中表现出鲁棒性能。
多智能体通信kv缓存压缩自适应量化大语言模型语义保真
cs
12-23 00:00
本文为近期发布的Loquacious语音识别数据集提供了配套资源，包括n-gram语言模型、字素到音素转换模型及发音词典，旨在提升该数据集的可用性与基准测试价值。研究利用这些资源，在多种不同标签单元和拓扑结构的ASR架构上进行了广泛的实验。初步结果表明，Loquacious数据集为研究自动语音识别领域的多种常见挑战提供了一个有价值的案例。
语音识别数据集语言模型基准测试开源资源
cs
12-23 00:00
本研究针对IT服务管理中工单优先级分类的挑战，系统比较了两种主流方法。基于通用文本嵌入的流水线方法（结合降维、聚类和传统分类器）在30种配置下泛化能力有限，聚类未能发现有效结构，且模型性能对嵌入质量高度敏感。相比之下，提出的微调多语言Transformer模型，能够同时处理文本和数值特征，取得了显著更优的性能，平均F1分数达78.5%，加权Cohen's kappa值接近0.80，表明与真实标签高度一致。研究结果揭示了通用嵌入在处理ITSM数据时的局限性，并证明了领域自适应Transformer架构在工单优先级分类任务上的有效性。
it服务管理工单优先级transformer模型文本分类对比评估领域自适应
cs
12-23 00:00
针对大语言模型（LLM）部署中KV缓存内存占用过高的问题，本文提出了KVReviver，一种基于草图算法的可逆压缩方法。传统方法通过永久丢弃或合并“不重要”的令牌（Token）来压缩，导致信息不可恢复的丢失（上下文遗忘）。KVReviver则允许从额外的数据结构中重建被压缩的令牌，从而在有限内存内实现完整的计算。实验表明，在2k上下文长度下，仅需10%的KV缓存预算即可保持端到端推理精度不变；在32k长度下，仅用25%的预算即可达到相当（约2%精度损失）的准确率。
kv缓存压缩可逆压缩草图算法大语言模型内存优化推理加速
cs
12-23 00:00
本研究针对量子云计算环境中硬件资源的高效分配难题，提出了一种基于参数化量子电路的量子强化学习方法。团队开发了名为QAISim的Python工具包，专门用于模拟和建模量子人工智能模型，以设计量子云环境下的资源管理策略。该工具包已成功模拟了策略梯度和深度Q学习等强化学习算法。与经典方法相比，QAISim显著降低了模型复杂度，所需训练变量更少，为支持大规模物联网应用的计算需求提供了新的解决方案。
量子计算强化学习资源分配云计算物联网ai建模
cs
12-23 00:00
研究通过新基准CDCT，首次将指令遵循中的约束遵循（CC）与语义准确性（SA）分离评估。在9个前沿LLM的测试中，发现约束遵循呈现普遍的U型曲线（97.2%），中等压缩时违规最严重，极端压缩下表现反而更好。关键发现是RLHF训练的“乐于助人”行为是中等压缩下约束违规的主因（移除后CC平均提升598%），揭示了RLHF对齐与精确指令遵循间的根本矛盾。
大语言模型指令遵循提示压缩rlhf对齐模型评估基准测试
cs
12-23 00:00
本研究比较了随机森林（RF）、梯度提升回归（GBR）和线性回归（LR）三种模型对美国县级肺癌死亡率的预测效果。结果显示，RF模型预测性能最优（$R^2 = 41.9\%$, $RMSE = 12.8$）。通过SHAP分析发现，吸烟率是最重要的预测因子，其次是房屋中位数价值和西班牙裔人口比例。空间分析揭示了美国中东部地区存在显著的肺癌死亡率高发聚集区。该研究为设计针对性干预措施提供了数据支持。
肺癌死亡率机器学习可解释性空间分析健康差异
cs
12-23 00:00
Chatter是一个新的Python库，旨在利用信息论和现代机器学习技术（如变分自编码器和视觉变换器）在连续潜在空间中分析动物通信。它绕过了传统方法中对通信单元（如鸟鸣音节、鲸歌音符）进行人工或自动分类的必要步骤，将声音序列表示为高维潜在空间中的轨迹。该库提供从预处理、分割到模型训练和特征提取的端到端工作流，使研究人员能够量化声音序列的复杂性、可预测性、相似性和新颖性，并已在鸟类、蝙蝠、鲸类和灵长类动物的发声上得到验证。
动物通信分析信息论机器学习潜在空间python库变分自编码器
cs
12-23 00:00
本文提出了一种适用于可重构硬件（如FPGA）加速的通用数字孪生学习框架，旨在解决精准医疗中患者特异性动态模型快速、资源高效学习的挑战。通过将FPGA实现与移动GPU多处理实现及云端GPU基线进行对比，结果显示：FPGA在模型恢复任务上实现了8.8倍的能效比提升、28.5倍的DRAM占用减少，以及相比云端GPU 1.67倍的运行时加速。该技术已应用于1型糖尿病数字孪生引导的合成数据生成和冠状动脉疾病主动检测。
数字孪生边缘aifpga加速精准医疗硬件比较模型恢复
cs
12-23 00:00
本文提出NystagmusNet，一种AI驱动的系统，用于预测眼球震颤患者面临的高风险视觉环境并提供实时视觉适应建议。该系统采用双分支卷积神经网络，基于环境亮度和眼动方差估计光敏风险评分，在合成数据上验证准确率达75%。通过集成SHAP和GradCAM等可解释性技术，系统能突出环境风险区域，并包含基于规则的推荐引擎以提供自适应滤镜建议，旨在提升临床信任与模型可解释性。
医疗ai可解释深度学习光敏风险预测计算机视觉辅助技术眼球震颤
cs
12-23 00:00
本研究量化了在信用违约概率模型中应用单调性约束的“性能代价”。通过对比五个公开数据集上无约束与单调约束梯度提升模型的性能，定义了“单调性代价”指标。实验表明，在大规模数据集上，约束带来的AUC损失通常低于0.2%，几乎可忽略；而在约束覆盖广泛的小数据集上，代价最高可达约2.9%。结果表明，合理设计的单调性约束能以极小的精度损失换取模型可解释性。
信用风险单调性约束梯度提升模型可解释性机器学习基准测试
cs
12-23 00:00
本研究针对符号音乐情感识别任务，发现主流预训练模型MIDIBERT虽能捕捉音乐语义分布，却忽略了音乐心理学中至关重要的调式结构对情感感知的影响。为弥补这一缺陷，作者提出了一种调式引导增强策略。该策略首先通过分析揭示了模型在编码情感-调式关联上的不足，随后识别出模型中最不相关的层级，并引入一种调式引导的特征线性调制注入框架，将明确的调式特征注入模型。在EMOPIA和VGMIDI数据集上的实验表明，该方法显著提升了模型性能，准确率分别达到75.2%和59.1%，验证了结合音乐心理学先验知识进行建模的有效性。
音乐情感识别符号音乐理解调式引导特征注入预训练模型音乐心理学
cs
12-23 00:00
针对ICLR 2026等会议引入的“作者提名审稿人”新政策，本文从作者福利角度出发，首次对该政策进行了理论分析。研究假设每位作者存在一定概率成为“不负责任审稿人”，并探讨了作者（或自动化系统）应如何提名审稿人以最小化稿件被直接拒收的风险。研究形式化并分析了三种拒稿风险最小化问题的变体：基础问题可通过简单贪心算法最优求解；而引入提名数量限制的“硬约束”与“软约束”变体，则与最小费用流、线性规划等经典优化框架相关联，从而为作者设计高效、有原则的提名策略提供了理论依据与实践方向。
审稿人提名会议政策分析优化算法风险最小化学术出版人工智能会议
cs
12-23 00:00
传统无交易定理将交易归因于信念差异。本研究在共同信念下，考察AI智能体的计算局限能否引发交易。通过展开博弈框架建模有界计算理性，发现仅当“近乎理性”的智能体计算能力略有差异时，才能达成稳定的无交易纳什均衡。悖论在于：当智能体计算能力完全相同时，反而可能无法收敛至均衡，导致持续的策略调整，形成一种交易。若智能体可策略性地低效利用计算资源（如在匹配硬币博弈中），则均衡可能性彻底消失。这表明AI固有的计算局限可能创造比传统模型预测更活跃、不可预测的交易环境。
ai交易计算博弈论无交易定理纳什均衡有界理性展开博弈
cs
12-23 00:00
研究发现，无论是分类模型、对比式图文预训练模型还是视频大语言模型（VLLM），在人类动作识别任务中都普遍存在“背景偏见”，即过度依赖背景线索而非人体姿态进行预测。针对分类模型，引入分割后的人体输入可将背景偏见降低3.78%。对于VLLM，通过手动或自动的提示词调优，可引导模型更多关注人体本身，使预测向人体聚焦推理转变9.85%。
动作识别背景偏见视频大模型模型可解释性缓解策略
cs
12-23 00:00
本文提出SCS-SupCon框架，以解决现有监督对比学习在细粒度识别中面临的负样本稀释与决策边界僵化问题。核心创新在于引入基于Sigmoid的成对对比损失，其可学习的温度与偏置参数能自适应调整决策边界，并聚焦于困难负样本。同时，显式的风格距离约束进一步解耦风格与内容特征。在CUB200-2011、Stanford Dogs等六个基准数据集上的实验表明，该方法在CNN与Transformer骨干网络上均达到SOTA性能。例如，在CIFAR-100上，其Top-1准确率较SupCon提升约3.9个百分点。
对比学习细粒度识别自适应决策边界特征解耦监督学习图像分类
cs
12-23 00:00
本研究提出一种高能效反无人机系统，融合帧基与事件驱动目标跟踪，实现对小型高速无人机的可靠探测。系统采用行程编码重构二值事件帧、生成区域建议，并根据目标尺寸与速度自适应切换跟踪模式。其快速目标跟踪单元通过自适应阈值与轨迹分类提升高速目标鲁棒性，神经处理单元支持灰度块与轨迹推理，采用定制指令集与零跳过乘加架构，减少97%以上冗余神经计算。该40纳米CMOS芯片面积2 mm²，在0.8 V电压下实现96 pJ/帧/像素与61 pJ/事件能效，在公开无人机数据集上达到98.2%识别准确率，覆盖50-400米距离与5-80像素/秒速度范围，展示了端到端能效的领先水平。
反无人机系统事件相机混合跟踪能效优化神经处理单元目标检测
cs
12-23 00:00
本研究提出了一种由薄型介电弹性体驱动器（TS-DEA）驱动的无束缚软体机器人（UTS-Robot）。该机器人长38毫米，高6毫米，重仅2.34克，集成了柔性板载电子器件，实现了完全无束缚驱动。TS-DEA采用双驱动夹层结构，核心为可压缩张紧机构，其介电层通过旋涂至50微米后双轴拉伸至8微米，从而在220V低驱动电压下以86Hz谐振频率工作。实验表明，裸TS-DEA在谐振时运动速度达12.36毫米/秒，无束缚配置下速度为0.5毫米/秒，适用于在狭窄复杂环境中导航。
软体机器人介电弹性体低电压驱动无束缚运动微型机器人
cs
12-23 00:00
本文提出了一种基于FPGA加速的快速在线数字孪生框架，旨在解决关键任务应用（如空中防撞）中实时模拟与预测对极低延迟的严苛要求。该框架将模型恢复（MR）流水线中的关键神经组件（包括门控循环单元GRU和密集层）卸载至可重构硬件，实现高效并行执行。实验表明，该系统响应速度比典型人类反应时间快五倍，证明了在边缘平台上部署时间敏感、安全关键的数字孪生系统的实际可行性。
数字孪生fpga加速边缘计算实时系统模型恢复门控循环单元
cs
12-23 00:00
本文提出SuperFlow，一种用于流匹配生成模型的强化学习训练框架。它解决了现有方法中两个关键问题：一是通过方差感知采样动态调整不同提示词的分组大小，提升采样效率；二是提出与连续时间流动力学一致的步级优势估计方法，改进信用分配。实验表明，SuperFlow仅需原训练步数的5.4%至56.3%，即可达到优异性能，训练时间减少5.2%至16.7%。在文本渲染、组合图像生成和人类偏好对齐等任务上，其性能超越SD3.5-M模型4.6%至47.2%，超越Flow-GRPO模型1.7%至16.0%。
流匹配模型强化学习文本到图像生成高效训练方差感知采样信用分配