标签
本报告研究了针对信号数学问题调整Qwen2.5-3B-Base模型的强化微调策略，实现了相对于基础模型超过三倍的准确率提升。
一个为DIY爱好者和研究人员设计的开源相控阵雷达项目AERIS-10，提供360°监控和小型飞行器的检测，并附有详细的硬件和软件规格。
This paper proposes NN-CLEAN, a hybrid framework that embeds a multi-head residual network into the iterative CLEAN extraction loop for efficient multipath parameter estimation in low-SNR channel modeling. It matches traditional Grid-Search CLEAN accuracy while greatly reducing computational complexity and enabling parallelization for real-time MIMO systems.
递归滤波器（SMA、EMA、低通滤波和微型一维卡尔曼滤波器）实用指南，用于以低延迟和低计算量平滑噪声测量。
Kirk Borne 分享了一本关于数据科学、机器学习和信号处理的线性代数教材的推荐，附有亚马逊链接以及学术界的赞誉。
介绍DWT-Fusion，一种免训练框架，通过对token级对数概率进行离散小波分析来检测LLM生成的文本，在多个数据集上取得了优异的AUROC结果。
本文识别了神经网络在错误分类期间内部激活中的频谱漂移，并引入了自检测神经网络（SDNN），通过监控频谱动态来检测故障，在CIFAR-10上实现了79%的AUROC，比基于置信度的方法高出25-30个百分点。
介绍 (MPO)²，一个结合了学习到的矩阵乘积算子特征嵌入和紧凑多项式权重张量的框架，用于高效的多元多项式优化，在性能上优于现有的基于张量分解的多项式模型。
本文刻画了当用Hadamard变换（其对偶卷积进行对角化）替代DFT（其对循环卷积进行对角化）时产生的误差，识别出普遍的零误差位置、一个近乎满秩的误差算子，以及一个由单一对齐标量控制的期望误差幅度的闭式表达式。
作者反思了BMVC、ACCV、FG、ICIP和ICASSP等专业会议的衰落，指出研究社区现在集中在少数几个旗舰会议上，导致容量有限和审稿不一致。
本研究对40名健康成人的心率变异性（HRV）指标进行了计算分析，发现时域和非线性指标呈正态分布且稳定，而频域指标变异性较高。推荐用于准确表征HRV的指标包括ApEn、IRRR、HRVi、SD2、MADRR和rMSSD。
作者通过重新制作BBC测试卡，深入讲解了模拟视频信号的工程原理和采样定理的应用，展示了如何从现代广播中恢复高质量校准信号。
Resonate 是一种低延迟、低内存的算法，用于对音频信号进行感知相关的频谱分析，采用带有指数加权移动平均的谐振器模型。
斯坦福大学发布了完整的隐马尔可夫模型框架，让所有人都能使用类似于Renaissance Technologies等对冲基金用来从噪声中寻找信号的技术。
# MIT林肯实验室提出"原理驱动基础模型"：无需微调即可跨域泛化 MIT林肯实验室的研究人员提出了一种名为**"原理驱动基础模型"（principle-driven foundation models）**的新范式。与传统方法不同，该范式将信号理论物理原理（傅里叶分解、能量守恒、对称性）直接编码到模型中，而非依靠从大量配对数据集中学习统计相关性。 ## 核心思路 传统基础模型的训练范式通常需要： - 海量标注数据 - 跨域配对样本 - 针对下游任务的微调 而该研究另辟蹊径——**仅使用RF（射频）数据进行训练**，并将傅里叶分解、能量守恒、对称性等物理原理内嵌于模型架构本身，使模型能够捕捉信号在本质层面的通用特征，而非特定域的统计规律。 ## 关键结果 该模型的冻结编码器（frozen encoder）仅有 **199万参数**，却在以下条件下取得了令人瞩目的成绩： - **跨越15项多样化任务**，涵盖音频、图像、文本和视频四大模态 - **无需对目标域进行任何微调** - **平均准确率达到77.7%** ## 为何值得关注 | 特性 | 传统基础模型 | 原理驱动基础模型 | |------|------------|----------------| | 训练数据来源 | 多模态大规模配对数据 | 仅RF数据 | | 参数规模 | 通常数十亿级 | 仅199万 | | 跨域泛化 | 依赖微调 | 零样本迁移 | | 泛化依据 | 统计相关性 | 物理原理 | ## 深层意义 这项研究表明，**物理原理本身可以作为一种强大的归纳偏置（inductive bias）**，使模型在极低参数量和数据量的条件下实现跨模态泛化。这对于数据稀缺、计算资源受限的应用场景尤为重要，同时也为"可解释AI"提供了一条新路径——模型的泛化能力来源于可解释的物理规律，而非黑箱式的统计拟合。 该工作挑战了"规模即能力"的主流叙事，暗示在某些场景下，**结构化的物理先验知识可能比堆砌数据和参数更为高效**。
一个互动可视化指南，解释了常量Q变换（CQT），其对数频率几何结构、与FFT的比较、内核构建和高效计算，专为音乐和音高分析而设计。