标签
This paper proposes an LLM-assisted semantic stop embedding approach for reinforcement-learning-based bus holding control, reducing headway variability, bunching events, and passenger waiting time in simulations.
本文提出了一种可迁移的自逻辑模型，用于跨异构传感器配置预测罕见设备故障，并在合成冰箱数据集上进行了评估。
本文研究了提示侧智能体剧本（从先前运行中提炼出的流程）是否能在不同设置之间迁移，发现冻结迁移仅在有条件下有效，具体取决于与目标部署的兼容性；在ALFWorld、TAU2-Bench和XBench-DeepSearch上的结果参差不齐。
本文介绍了EddyFlow，一个用于公里级海面温度降尺度的深度学习框架，它在预测精度、尺度相关结构和区域泛化之间取得平衡。该框架在多个海洋区域实现了强大的零样本性能和近乎理想的频谱保真度。
本文介绍了uOttawa团队在EvaLatin 2026古典拉丁语命名实体识别共享任务中使用的系统，通过商业LLM（Gemini 2.5 Pro和Claude Sonnet 4-5）的提示工程，在粗粒度和细粒度NER子任务中均获得第一名。
一篇研究论文，评估了CNN-BiLSTM模型CHAP在可穿戴加速度计数据中分类久坐行为的表现，重点关注从髋部到腕部佩戴位置的迁移以及微调的好处。
本文提出了前沿学习（Frontier Learning）框架，该框架结合多个黑盒和白盒预训练模型的表示与预测，构建统一的目标域表示，并保证在分布偏移下性能不劣于任何单一复用基线。在视觉域适应和临床死亡率预测上的评估显示，该方法相较强基线持续获得增益。
本文提出了一种能力驱动的多模态缩放定律，该定律可从LLM文本基准能力预测VLM性能，从而在不进行昂贵训练扫描的情况下，实现跨模型家族的原则性骨干选择。
这篇arXiv论文介绍了ProGFM，一种传播感知的图基础模型，将边与特征维度之间的传播关系视为可迁移的知识单元，从而实现自适应聚合并提升跨域泛化能力。
本文介绍了知识-几何解耦（KGD），一种用于流式推荐系统中预训练-迁移的方法。它将预训练的行为知识与任务特定的几何结构分离，使得模型能够持续刷新而互不干扰，并报告相比基线提升4%-12%，且已在Shopee成功部署。
推文重点介绍了经典AI教科书《Artificial Intelligence: A Modern Approach》的第四版，涵盖深度学习、迁移学习、多智能体系统、机器人技术和因果性，并附有亚马逊链接。
介绍了NEXUS，一个约300万参数的轻量级基础模型，在LHC对撞数据上进行预训练，展示了在引力波、洪水预测和神经活动等任务上的改进下游性能及跨域迁移能力。
本文研究是否可以通过将隐马尔可夫模型拟合到在连续时间窗口上训练的神经网络权重的轨迹，将随时间漂移的数据流划分为离散状态，结果表明恢复出的潜在状态与两个数据集上的迁移性能相关。
AgentGFM 提出了一种图基础模型，其中每个节点充当具有共享可训练策略的智能体，通过预测-行动-观察-修正过程实现自适应信息流控制。它在节点级、图级和大规模迁移任务中均取得了优异性能。
本文提出了一个用于攻击性语言检测中跨域和跨语言泛化的诊断与优化框架，将性能下降分解为数据集效应和语言效应，并量化了多语言能力与源任务性能之间的权衡。
介绍Building2Building（B2B），这是一个基于EnergyPlus构建、与Gymnasium兼容的大规模基准，用于研究强化学习中在真实HVAC控制环境下的泛化与迁移。
Inertia-1是一个研究项目，系统性地探索运动模型的完整生命周期——数据、感知、目标和规模——以产生一种统一的表示，该表示无需重新训练即可跨身体位置、设备和任务迁移，利用了在1800万小时加速度计数据上的自监督预训练。
提出PEACE框架，一种基于知识引导的框架，通过标签条件对比对齐将成人心电图解释迁移至儿科人群，在有限监督下取得显著改进。
本文介绍了一个框架，用于判断在持续学习中何时应该期待迁移，并提出了选择性回放迁移（TSR），该机制选择预计对当前任务有益的回放数据，而非不加区分地回放过去的示例。TSR在保持稳定性的同时改善了前向迁移，优于现有的回放基线。
提出了一种解耦训练策略，该策略适应归一化层并使用预计算特征来减少迁移学习中的开销，在显著缩短训练时间和降低能耗的同时，达到了有竞争力的准确率。