标签
一篇新论文提出了 IntegralPINN,这是一种用于重建复杂网络中高阶相互作用的积分物理信息神经网络框架。该框架利用积分形式的物理残差和连续的相互作用张量参数化,在稀疏观测条件下实现对噪声具有鲁棒性的重建,并在生态、社会和神经元系统上优于现有最先进的方法。
CHiME-3 背景噪音录音现已在 Zenodo 上以 CC BY 4.0 协议开放提供,包含六通道平板阵列在公交、咖啡馆、步行区和街道四种真实环境中录制的 16 kHz 音频,允许商用及再分发。
该论文提出一种噪声鲁棒的强制对齐方法,用上采样WLM特征替代MFCC的GMM-HMM对齐器,并显式建模填充词和非词汇语音事件,在Buckeye和FluencyBank上将词边界误差降低19%和17%,大幅减少灾难性错配。
该论文提出了 Agent-Reflex,一个三阶段训练框架(反思技能发现、反思式监督微调和同策略反思式策略优化),旨在教会语言智能体在含噪声的工具反馈和用户干预下主动反思,并使用 Qwen3-8B 在长程工具使用基准测试中取得了最先进的结果。
本文提出SIGMA,一个用于协作多智能体强化学习的层次化协作框架,通过基于密度的分组和聚合方法,利用协作结构在噪声观测下学习鲁棒表示。
研究发现,神经语言模型在单词级噪声下退化相似,但在字符级噪声下退化不同,分词被确定为关键隐藏变量。它提供了一种无需噪声评估即可预测模型鲁棒性的方法,并建议通过噪声增强训练来提升鲁棒性。
ER-KAN 是一种新的 Kolmogorov-Arnold 网络变体,专为数据稀缺且有噪声的科学机器学习设计,在鲁棒性和效率方面优于现有 KAN 变体。
The paper introduces Weak-Pareto, a method that uses adjoint-consistent weak formulations and Pareto-based subset selection to discover fractional differential equations from noisy data, recovering parsimonious structures robustly across benchmarks.
本文识别出扩散语言模型中的“表征置信度差距”:内部状态能准确检测输入噪声,但报告的置信度在高噪声下仍保持高位,答案排序能力下降。本文引入了一种轻量级、无需训练的信息提取工具,利用隐藏状态改进排序,而无需修改基础模型。
本文研究了用于稀疏分布式内存的Rank-Order N-of-M编码,通过分离表示与学习效应来评估噪声鲁棒性,并与当代神经形态架构进行比较。
引入能量守恒作为模块化神经网络中模块间信息流的硬物理约束,强制在模块边界精确保持激活能量,以减弱错误传播。在CIFAR-10和机器人管道上的实验显示出噪声鲁棒性的显著提升。
EchoDistill 是一种基于对齐的噪声到干净的自蒸馏框架,通过使用冻结的干净音频教师模型,利用组相对策略优化 (GRPO) 指导学生模型,从而提高音频大语言模型 (ALLMs) 在现实噪声下的鲁棒性。实验表明,在强噪声下,该方法显著提升了语义可靠性和任务性能,且无需额外推理成本。