标签
本文提出将球员的最短可行到达时间（到达时间）建模为条件分位数回归问题，并在2022年世界杯PFF光学追踪数据上训练的轻量级多层感知机模型在多项指标上超越了六种基于物理的球员运动模型，且展示了跨运动项目（篮球、美式橄榄球）的迁移能力。
一项针对阿拉伯湾卫星反演水深的多站点基准研究，对比了经验模型、机器学习（LightGBM）模型和深度学习（U-Net）模型，并使用285,000个多波束测深点进行了无数据泄漏验证。结果表明，验证设计比模型选择更重要，简单的Stumpf比值模型在迁移应用场景中的表现优于复杂模型。
论文提出 CD-FFM，一种基于似然函数流匹配（likelihood functional flow matching）的生成式气候降尺度模型，可将再分析数据降尺度至1公里分辨率，在芬诺斯坎迪亚日气温数据上优于回归、神经算子和扩散模型，且采样速度极快并能给出精确似然。
本文提出 FG-ConvNO（因子化几何卷积神经算子），一种面向几何感知的神经算子，用于在有限训练数据下对螺旋桨表面压力和总推力进行高精度计算流体动力学（CFD）预测，并结合 DISCO 块实现离散化无关建模。
本文提出了聚类占据核（CLOCK）方法，这是一种基于表示的框架，将动力系统的时间序列嵌入再生核希尔伯特空间（RKHS），通过吸引子之间的最大均值差异实现聚类，并在合成数据和颅内脑电图记录上进行了验证。
该论文证明了差分隐私算法在组合与子采样下的隐私损失分布可通过截断后的高斯近似来刻画，从而为DP-SGD等场景给出比Rényi分析更紧的闭式隐私界，尤其在采样率1/t时显著降低所需噪声规模σ的要求。
该论文提出局部预测一致性作为成对个体公平性定义的节点级松弛，通过相似度加权的邻域平均预测来生成可解释的公平性分数，并将其扩展到二分类、回归和生存分析场景。
一篇伦敦大学学院（UCL）的论文提出了 MAPS，这是一种与模型无关的指标，用于量化多变量时间序列预测任务的内在可预测性。该指标在合成数据集和真实世界数据集上与 66 种基准度量进行了比较评估，与参考可预测性呈高度相关（r=0.963）。
提出 PAI-KNN，一种通过推理时先验调整而非内存修改来适应概念漂移与类不平衡的 KNN 数据流分类器，在合成数据流基准上取得了与最先进方法竞争的性能。
Voxel51 通过 Product Hunt 推出其多模态数据平台，帮助机器人团队从视频和传感器数据中发现失败案例、理解原因并补齐训练数据，从而加速物理 AI 模型的迭代。
提出在分布漂移下进行在线模型测试的方法学，通过区分人口变化与数据完整性问题两种漂移机制，在受控基线上复现漂移以估计模型当前性能，并评估修复数据完整性问题的潜在收益。
一篇新论文提出了 LPDS，这是一种生成式逆向建模框架，通过多目标物理约束训练，以及约束条件化和补全等控制机制，将期望的聚变结果和靶配置映射为用于惯性约束聚变的优化激光脉冲形状。
本文提出了一种由人工智能增强的救护车行程时间估算决策支持系统，该系统使用斯科讷地区的历史数据，表明行程时间随小时、日期和出车优先级而变化，并利用 SHAP 和置换重要性提高可解释性。
提出 PFDF，一种基于路径依赖的联邦遗忘客户端选择框架，通过 CLP 加权历史记录筛选出与目标客户端弱耦合但全局信息量大的保留客户端，以更少的通信和计算成本实现高效遗忘。
MLE-World：一个基于 Qwen3.5-4B 微调的世界模型，无需执行即可预测机器学习实验结果（错误堆栈、日志、验证分数），使 AI 研究智能体能够以低成本进行测试时扩展。它在 77.9% 的留出程序上与真实终端输出一致，并在 MLE-bench Lite 任务上将平均性能提升最高达 22.1%。
一篇观点文章，认为 AI 并非被过度炒作，过去 18 个月的技术进展实际上被大多数观察者和专家持续低估。
本文评估了五个天气基础模型作为冻结编码器在增强岩石风化（ERW）碳去除量化中的迁移能力，其中基于 Aurora 1.5 构建的 TerraNova-ERW 在未见农田上表现最佳，支持少样本预测并可显著减少土壤采样需求。
论文提出了 WaferHDC，这是一个基于超维计算的在线开放世界晶圆缺陷发现框架，能够在无标签、无需重新训练的情况下动态检测并聚类重复出现的缺陷模式；在 WM-811K 数据集上，其调整兰德指数（adjusted Rand index）比最强的在线基线方法高出 13.3 个百分点。
这篇arXiv论文从因果视角探索现实的变化模型，将决策框架与动力系统联系起来，以更好地刻画系统随时间演化的过程。
该论文提出一种机器学习优化的光学模型，用于分析偏振共振软 X 射线散射（RSoXS），从而以亚单层深度分辨率定量解析埋藏界面上分子的取向、化学身份与堆积状态，并发现分子取向从界面处开始的梯度演化，推翻了衬底图案化的相关假说。