Mask2Cause: Temporal Causal Discovery Beyond Causality in Mean
Indian Institute of Science(印度科学研究院)
本文提出Mask2Cause框架,通过在预测前向传递中直接恢复潜在因果图,利用逆变量嵌入和邻接约束掩码注意力机制,以捕捉均值和方差中的因果影响,实现更高效的因果发现。
2026-10-06 cs.AI cs.LG
Beyond Additivity: Causal Discovery in Location-Scale Noise Models with Hidden Variables
RIKEN AIP(理化学研究所Advanced Institute for Science Technology);University of Bergen(卑尔根大学);The University of Osaka(大阪大学);Shiga University(滋贺大学)
针对含隐变量且数据生成过程遵循位置-尺度噪声模型(LSNM)的因果发现,证明满足无弓条件的非循环有向混合图(ADMG)可识别,并提出两阶段算法LSNM-UV,在异方差数据上优于可加性基线。
2026-06-06 cs.AI cs.LG stat.ME
Symmetry Discovery Beyond Affine Transformations
Utah State University(犹他州立大学);University at Albany(奥尔巴尼大学)
本文提出一个在流形假设下发现超越仿射变换的连续及离散对称性的框架,实验证明其在小样本下优于LieGAN且计算更高效。
2024-11-06 cs.LG stat.ML
Towards stable real-world equation discovery with assessing differentiating quality influence
ITMO University(ITMO大学)
本文针对数据驱动微分方程发现中微分方法的关键作用,提出四种替代有限差分的方案,评估其适用性与收敛性,为真实世界稳健建模提供见解。
2023-11-09 cs.LG
Open-World Class Discovery with Kernel Networks
Northeastern University(东北大学)
我们研究了一个开放世界类发现问题,在这个问题中,给定来自旧类的标记训练样本,我们需要从未标记的测试样本中发现新类。要解决这一范式,有两个关键挑战:(a)将知识从旧类转移到新类,(b)将从新类学到的知识重新纳入原始模型。我们提出了扩展类发现核网络(CD-KNet-Exp),这是一个深度学习框架,它利用希尔伯特施密特独立性准则以系统的方式将监督和非监督信息连接在一起,以便从旧类中学习到的知识被适当地提取以发现新类。与竞争方法相比,CD-KNet-Exp在三个公开的基准数据集和一个具有挑战性的真实世界射频指纹数据集上表现出卓越的性能。
2020-12-13 cs.LG
D3-Gym: Constructing Real-World Verifiable Environments for Data-Driven Discovery
The Ohio State University(俄亥俄州立大学);Cisco Research(思科研究)
D3-Gym通过构建首个自动化的可验证环境数据集,提升科学数据驱动发现的模型能力,验证信号质量高,训练效果显著。
2026-09-02 cs.AI cs.LG
Unseen Class Discovery in Open-world Classification
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本文关注开放世界分类,其中分类器不仅需要将测试样本分类到在训练中出现的可见类中,而且还需要拒绝来自未在训练中出现的未知或新类的样本。具体来说,本文的重点是发现隐藏的不可见类的拒绝的例子。显然,如果没有事先的知识,这是很困难的。然而,我们确实有来自所看到的训练类的数据,这些数据可以告诉我们来自同一类或不同类的示例预期有什么样的相似性/差异。可以合理地假设,这些知识可以转移到被拒绝的例子中,并用于发现其中隐藏的不可见类。本文旨在解决这一问题。首先提出了一个联合开放分类模型,该模型包含一个子模型,用于区分一对样本是属于同一类还是不同类。这个子模型可以作为聚类的距离函数,以发现被拒绝的例子的隐藏类。实验结果表明,该模型具有很好的应用前景。
2018-01-17 cs.AI cs.LG
The Landscape of Causal Discovery Data: Grounding Causal Discovery in Real-World Applications
Mila-Québec, Université de Montréal(蒙特利尔大学魁北克分校);Carnegie Mellon University(卡内基梅隆大学);Deutsches Forschungszentrum für künstliche Intelligenz (DFKI)(德国人工智能研究中心);University of Pennsylvania(宾夕法尼亚大学);Next Generation Analytics and Modulo Bio(下一代分析与Modulo Bio);ServiceNow Research(ServiceNow研究);Mila-Québec, Université Laval(魁北克蒙特利尔大学拉瓦尔分校)
本文通过系统性综述近期因果发现文献,指出当前方法依赖不切实际假设、评估方式不足的问题,梳理了多领域的可用数据集与假设违背情况,呼吁学界采用更真实的数据集和更合理的评估指标以推动因果发现的实际应用。
2025-06-13 cs.LG stat.ME
Beyond Token Scale: Chunk-Level Sparse Autoencoders for Reliable Semantic Feature Discovery
The University of Hong Kong(香港大学);Hunyuan Team, Tencent(腾讯混元团队)
本文提出块级稀疏自编码器(Mean-Chunk、Cross-Chunk、Joint-Chunk),通过编码块级均值池化激活来发现可靠语义特征,在检索、推理检测和引导等下游任务中取得改进。
2026-09-29 cs.AI cs.CL cs.LG
CausalRivers -- Scaling up benchmarking of causal discovery for real-world time-series
Friedrich Schiller University Jena(弗里德里希·席勒大学耶拿分校)
本研究推出迄今最大真实场景时间序列因果发现基准工具包CausalRivers,含多区域河流流量数据与因果真值图,可生成多样基准测试,助力方法评估与相关领域研究。
2025-03-21 cs.AI cs.LG stat.ML
Large Language Models Meet Open-World Intent Discovery and Recognition: An Evaluation of ChatGPT
Beijing University of Posts and Telecommunications(北京邮电大学);Meituan(美团)
本文全面评估ChatGPT在开放世界意图发现与识别任务中的表现,发现其零样本下具优势但逊于微调模型,并总结聚类、领域理解等挑战及未来方向。
2023-10-16 cs.AI cs.CL cs.LG
Cross-domain Open-world Discovery
EPFL(洛桑联邦理工学院)
本文提出跨域开放世界发现设定,并设计基于原型的 CROW 方法,通过基础模型表征空间中的先聚类后匹配及专用微调目标,在域变化下识别已见类并发现未见类,75 项设置平均提升 8%。
2024-06-17 cs.LG
Continual Generalized Intent Discovery: Marching Towards Dynamic and Open-world Intent Recognition
Beijing University of Posts and Telecommunications(北京邮电大学);Meituan(美团)
针对动态开放世界中的意图识别,提出持续广义意图发现任务及原型引导学习与重放和蒸馏方法,实现持续发现并增量添加OOD意图。
2023-10-16 cs.AI cs.CL cs.LG
Beyond Shallow Behavior: Task-Efficient Value-Based Multi-Task Offline MARL via Skill Discovery
Xun Wang ∗ Zhuoran Li ∗ Hai Zhong Longbo Huang †(作者)
针对离线多智能体强化学习任务特定导致的低效问题,提出SD-CQL算法,通过潜在空间技能发现和保守Q学习实现任务高效多任务泛化,在星际争霸II上14个任务集中13个达到最优,最高提升68.9%。
2025-09-26 cs.AI cs.LG cs.MA
Going beyond research datasets: Novel intent discovery in the industry setting
Allegro(Allegro 公司)
本文针对工业场景中真实数据集,提出利用领域内预训练及对话结构(Conv)微调方法,提升新意图发现性能,较CDAC模型提升高达33个百分点。
2023-05-09 cs.CL cs.LG
NovelCraft: A Dataset for Novelty Detection and Discovery in Open Worlds
Tufts University(塔夫茨大学);Austrian Institute of Technology(奥地利技术研究所)
为了让人工智能体在不断变化的环境中成功地执行任务,它们必须能够检测和适应新事物。然而,视觉新颖性检测研究通常只评估重新利用的数据集,例如最初用于对象分类的CIFAR-10,其中图像集中在一个独特的,居中的对象上。需要新的基准来代表在开放世界的复杂场景中导航的挑战。我们新的NovelCraft数据集包含了在修改后的Minecraft环境中完成pogo stick组装任务的智能体所看到的图像和符号世界状态的多模态情节数据。在某些剧集中,我们会在复杂的3D场景中插入不同大小的新奇物体,这可能会影响游戏性。我们的视觉新颖性检测基准发现,在流行的曲线下面积指标上排名最好的方法可能会被更简单的替代品所超越,而控制误报最重要。进一步的多模态新奇检测实验表明,融合视觉和符号信息的方法可以提高检测时间以及整体的歧视。最后,我们最近的广义类别发现方法的评估表明,适应新的不平衡类别在复杂的场景仍然是一个令人兴奋的开放问题。
2023-03-28 cs.AI cs.CV cs.LG
Verifier-Constrained Flow Expansion for Discovery Beyond the Data
ETH Zürich(苏黎世联邦理工学院);ETH AI Center(苏黎世联邦理工学院人工智能中心)
本文提出Flow Expander方法,通过验证器约束的熵最大化扩展预训练流模型,以生成超出数据分布的有效设计样本。
2026-02-17 cs.LG
Beyond Drug Discovery: The Nanotechnology Molecular Optimization (NMO) Benchmark
University of Augsburg(乌尔姆大学);CAAPS;University of Warwick(沃里克大学);United Kingdom(英国);Centre for Advanced Analytics and Predictive Sciences(高级分析与预测科学中心)
提出纳米技术分子优化基准,用量子模拟替代代理指标,对生成模型提出新要求,并开发新基线方法超越现有物理性质。
2026-09-28 cond-mat.mes-hall cs.AI cs.CE
Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
针对开放世界目标检测中存在的已知与未知类别语义混淆、灾难性遗忘问题,提出CROWD框架,通过组合式数据发现与表示学习缓解上述问题,在多个基准上实现准确率与未知召回率的显著提升。
2025-09-30 cs.CV cs.LG
Beyond empirical models: Discovering new constitutive laws in solids with graph-based equation discovery
Eastern Institute of Technology(东方理工大学);Tsinghua University(清华大学);Lingnan University(岭南大学)
针对传统经验本构模型普适性差、依赖专家直觉的问题,本文提出基于图的方程发现框架,从多源实验数据中自动发现新本构模型,在合金钢应变率效应和锂金属变形行为研究中精度更高、结构更简洁。
2025-11-13 cond-mat.mtrl-sci cs.LG physics.app-ph
Open-world Semi-supervised Novel Class Discovery
University of Electronic Science and Technology of China(电子科技大学)
本文提出OpenNCD方法,通过基于多原型的渐进式双层对比学习,在开放世界半监督场景下同时识别已知类并发现未知新类,有效应对标签稀缺问题。
2023-05-22 cs.CV cs.LG
Beyond Fixed Acquisition Functions: Temporal Difference Active Learning for Perturbation Discovery
Peking University(北京大学);AI for Science Institute (AISI)(北京科学智能研究院)
针对扰动筛选成本限制候选测试数量的问题,提出TDAL方法,通过时序差分学习在线调整获取函数,在8项公共筛选任务中表现优异,平均排名1.63且4项任务居首。
2026-10-19 cs.LG
Are LLMs Ready for Real-World Materials Discovery?
Intel(英特尔公司)
本文指出LLMs在材料科学应用中的局限性,提出基于知识驱动和假设检验的MatSci-LLM开发框架,并规划了通过构建多模态数据集和自动化实验室实现现实世界材料发现的路线图。
2024-09-25 cond-mat.mtrl-sci cs.AI cs.CL
Evaluating Object-Centric Models beyond Object Discovery
Department of Computer Science, TU Darmstadt(图宾根大学计算机科学系);Zuse School ELIZA(Zuse ELIZA学校)
本文提出统一评估方法,通过指令微调的VLMs评估OCL模型在复杂推理任务中的表现,并引入统一指标解决定位与表示有用性评估的不一致问题。
2026-02-07 cs.CV cs.LG
Application of quantum computing to a linear non-Gaussian acyclic model for novel medical knowledge discovery
Quantum Computing Center(量子计算中心);Keio University(庆应义塾大学)
本研究将量子计算应用于线性非高斯无环模型,利用量子核计算 DirectLiNGAM 的独立性度量,提出 qLiNGAM 方法。实验表明,在数据量较少时,qLiNGAM 能正确估计因果结构,并在真实量子硬件上实现,为小数据下的新型医学知识发现提供可能。
2021-12-06 cs.AI cs.LG quant-ph
MLIP Detective: Active Failure Mode Discovery Beyond Benchmark Scores for Machine-Learning Interatomic Potentials
Preferred Networks
本文提出MLIP Detective智能体框架,通过物理信息搜索主动发现机器学习原子间势的隐藏失效模式,并在MACE-MPA-0中识别出吸附物-表面体系能量异常及其训练数据来源。
2026-09-09 cond-mat.mtrl-sci cs.LG physics.chem-ph
RL-MD: A Novel Reinforcement Learning Approach for DNA Motif Discovery
Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司);Shanghai International Studies University(上海外国语大学)
从一组功能上相连的未标记DNA序列中提取序列模式被称为DNA模体发现,它是计算生物学中的一个关键任务。最近已经引入了几种基于深度学习的技术来解决这个问题。然而,这些算法不能用于现实世界的情况下,因为需要标记的数据。在这里,我们提出了RL-MD,一种新的强化学习为基础的DNA模体发现任务的方法。RL-MD以未标记的数据为输入,采用基于相对信息的方法对每个主题进行评价,并将这些连续的评价结果作为奖励。实验表明,RL-MD可以识别高质量的模体在现实世界的数据。
2022-09-30 cs.AI cs.LG q-bio.GN
Uncertainty-Aware Continual Learning for Open-World Intent Discovery Under an evolving Label Space
Politecnico di Milano(米兰理工大学)
针对开放世界下演化标签空间的持续意图发现,提出不确定性感知概率框架,结合多信号决策与密度聚类实现受控标签扩展,实验显示高精确率与低遗忘。
2026-09-17 cs.CL cs.LG
Robust Causal Discovery in Real-World Time Series with Power-Laws
Department of Computer Science, Sapienza University of Rome(罗马大学计算机科学系)
本文提出了一种基于幂律谱特征提取的鲁棒因果发现方法,以提高在现实时间序列中因果关系发现的鲁棒性,该方法在合成数据集和真实数据集上均优于现有方法。
2026-06-03 cs.LG physics.data-an stat.ML
Generalized Biomedicine Discovery
The University of Hong Kong(香港大学);Shenzhen University(深圳大学);Xiamen University(厦门大学)
针对医学图像开放世界偏移(长尾、异常、层级分类),提出GBD基准与SCAN方法,通过预测抑制、惊异显著性和互补适应,在保留临床知识的同时提升新颖概念发现。
2026-10-02 cs.LG
Discovery and inference beyond linearity for epidemiological data by integrating Bayesian regression, tree ensembles and Shapley values
Amsterdam UMC Leiden University(阿姆斯特丹大学医学中心-莱顿大学);Leiden University(莱顿大学);Amsterdam UMC(阿姆斯特丹大学医学中心)
提出RuleSHAP框架,结合贝叶斯稀疏回归、改进的树规则生成器和Shapley值,实现非线性与交互效应的检测及个体水平的不确定性量化,应用于流行病学数据发现高胆固醇和血压的影响因素。
2026-06-11 cs.LG stat.ML
Operationalizing Longitudinal Causal Discovery Under Real-World Workflow Constraints
Kyoto University Graduate School of Medicine(京都大学医学研究科);SANKEN The University of Osaka(SANKEN 大阪大学);Faculty of Data Science Shiga University(Shiga大学数据科学学部);AIP RIKEN;Faculty of Medicine, University of Miyazaki(Miyazaki大学医学部);Hiroshima University Graduate School of Biomedical and Health Sciences(广岛大学生物医学和健康科学研究生院)
本文提出在现实工作流程约束下进行纵向因果发现的方法,通过工作流程诱导的约束类限制可接受的图空间,提升结构可解释性并实现可重复的因果发现。
2026-02-27 cs.AI cs.LG stat.ME
Compression-Based Behavioral Similarity for Open-World Sybil Discovery on Ethereum
Faculty of Electronics and Information Technology, Warsaw University of Technology(华沙理工大学电子与信息技术学院)
该研究提出基于压缩相似度的无训练本地发现原语,通过合成交易语法、过滤高信号合约、构建行为图,实现以太坊开放世界无需直接资金关联的 Sybil 节点发现,经多类测试验证有效性。
2026-07-31 cs.LG
Beyond Optimization: Exploring Novelty Discovery in Autonomous Experiments
Center for Nanophase Materials Sciences, Oak Ridge National Laboratory(橡树岭国家实验室纳米相材料科学中心);Department of Material Science and Engineering, School of Materials and Chemical Technology, Institute of Science Tokyo(东京科学大学材料与化学技术学院材料科学与工程系);Physical Sciences Division, Pacific Northwest National Laboratory(太平洋西北国家实验室物理科学部);University of Tennessee-Oak Ridge Innovation Institute, University of Tennessee(田纳西大学橡树岭创新研究所,田纳西大学)
本文提出 INS2ANE 框架,通过新颖性评分与策略性采样增强自主实验对未知现象的发现能力,并在图像-光谱数据集和扫描探针显微镜实验中验证其相比传统优化方法能显著提升探索多样性。
2025-08-27 cond-mat.mtrl-sci cs.LG
Feature-Based Instance Neighbor Discovery: Advanced Stable Test-Time Adaptation in Dynamic World
Tsinghua University(清华大学);Shenzhen Technology University(深圳技术大学);Sichuan Agricultural University(四川农业大学)
针对测试时适应中的动态多分布问题,本文提出FIND框架,通过LFD、FABN和S-FABN实现稳定高效的特征分区与归一化,准确率提升30%。
2025-06-07 cs.AI cs.CV cs.LG
Towards Discovery and Attribution of Open-world GAN Generated Images
University of Maryland, College Park(马里兰大学帕克分校)
随着生成对抗网络(GANs)的最新进展,媒体和视觉取证必须开发能够识别图像并将其归因于生成它们的模型的检测器。现有的工作表明,属性的图像,以其相应的GAN源具有高精度。然而,这些工作仅限于闭集场景,无法推广到在训练时间内看不见的GANs,因此无法随着新GANs的稳定涌入而扩展。我们提出了一种迭代算法,通过利用所有GANs在其生成的图像上留下不同指纹的事实,来发现从以前看不见的GANs生成的图像。我们的算法包括多个组件,包括网络训练,分布外检测,聚类,合并和细化步骤。通过大量的实验,我们表明,我们的算法发现看不见的GANs具有很高的准确性,也推广到GANs训练看不见的真实数据集。我们还将我们的算法应用于在线方式的GANs的归属和发现,以及更标准的真/假检测任务。我们的实验证明了我们的方法在发现新的GANs方面的有效性,并且可以在开放世界的设置中使用。
2021-09-20 cs.CV cs.LG
Relational Neural Expectation Maximization: Unsupervised Discovery of Objects and their Interactions
Swiss AI Lab IDSIA, SUPSI, USI(瑞士人工智能实验室IDSIA,南方应用科技大学,瑞士意大利语区大学);UC Berkeley(加州大学伯克利分校)
常识物理推理是任何智能代理在现实世界中运行的基本要素。例如,它可以用来模拟环境,或推断当前未观察到的世界部分的状态。为了匹配现实世界的条件,必须在不访问监督数据的情况下学习这种因果知识。为了解决这个问题,我们提出了一种新的方法,学习发现对象和模型的物理交互从原始的视觉图像在一个纯粹的\emph{unsupervised}时尚。它结合了关于人类感知的组成性质的先验知识,以考虑对象对之间的交互并有效地学习。在弹跳球的视频中,我们展示了与其他不包含此类先验知识的无监督神经方法相比,我们的方法具有卓越的建模能力。我们展示了它处理遮挡的能力,并表明它可以将学到的知识外推到具有不同数量对象的场景。
2018-02-28 cs.AI cs.LG cs.NE
Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models
Lucy Family Institute for Data & Society(数据与社会联合研究所);University of Notre Dame(诺特大学);Department of Political Science(政治学系)
针对非线性时间序列模型中因果分数被误读为回归系数的问题,提出基于边消融和预测比较的预测必要性检验框架,以评估因果关系的实际必要性。
2026-04-20 cs.AI cs.LG stat.ME
Neuropathic Pain Diagnosis Simulator for Causal Discovery Algorithm Evaluation
KTH Royal Institute of Technology(瑞典皇家理工学院);Carnegie Mellon University(卡内基梅隆大学);Karolinska Institute(卡罗林斯卡学院);Microsoft Research(微软研究院)
从观测数据中发现因果关系对于许多科学学科和现实世界的应用至关重要。然而,不像其他机器学习算法,其发展已经大大促进了大量的可用基准数据集,因果发现算法是出了名的难以系统地评估,因为很少有数据集与已知的地面真理因果关系。在这项工作中,我们处理的问题,通过建立一个灵活的模拟器在医疗环境中的因果发现算法进行评估。我们开发了一个神经病理性疼痛诊断模拟器,灵感来自这样一个事实,即神经病理性病理生理学的生物过程得到了很好的研究,具有很好的理解因果关系的影响。我们的模拟器利用了神经性疼痛病理的因果图,并且其在发生器中的参数是从现实生活中的患者病例中估计的。我们表明,从我们的模拟器生成的数据具有类似的统计数据作为真实世界的数据。作为一个明显的优势,模拟器可以产生无限的样本,而不会危及现实世界患者的隐私。我们的模拟器提供了一个自然的工具,用于评估各种类型的因果发现算法,包括那些处理因果发现中的实际问题,如未知的混杂因素,选择偏差和缺失数据。使用我们的模拟器,我们已经广泛评估了因果发现算法在各种设置下。
2019-10-28 cs.LG stat.ML
A Derandomization Framework for Structure Discovery: Applications in Neural Networks and Beyond
National and Kapodistrian University of Athens(希腊国家与卡波迪斯蒂亚纳大学);Archimedes, Athena Research Center(阿提卡研究中心);Mila & Université de Montréal(蒙特利尔大学)
本文研究了神经网络中特征学习动态的理解问题,提出了一种基于去随机化方法的结构发现框架,在更弱的假设下探讨了结构发现的本质及其在MAXCUT端到端近似和Johnson-Lindenstrauss嵌入计算中的应用。
2026-05-19 cs.LG stat.ML
Efficient Discovery and Effective Evaluation of Visual Perceptual Similarity: A Benchmark and Beyond
Tel Aviv University(特拉维夫大学);Technion(以色列理工学院);The Open University(开放大学);The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
针对现有视觉相似性发现方法评估依赖识别任务代理指标的局限,本文构建了含11万+专家标注对的首个大规模时尚视觉相似性基准,提出高效标注流程与缓解局限的度量指标,方法可拓展至多领域感知相似性研究。
2023-08-28 cs.CV cs.LG
How many classes do we need to see for novel class discovery?
Cornell University(康奈尔大学);Google DeepMind(谷歌DeepMind)
本文通过 dSprites 受控实验框架研究新颖类别发现,发现已知类别数量对发现性能的收益存在饱和点,为类别发现的成本效益分析提供依据。
2025-09-19 cs.LG
Improving Efficiency and Accuracy of Causal Discovery Using a Hierarchical Wrapper
Intel Labs(英特尔实验室)
从观测数据中发现因果关系是许多科学分支的重要工具。在某些假设下,它允许科学家解释现象,预测和做出决策。在大样本的限制,声音和完整的因果关系发现算法已被引入,其中有向无环图(DAG),或其等价类,表示因果关系的搜索。然而,在现实世界中,只有有限的训练数据可用,这限制了这些算法使用的统计测试的能力,导致推断的因果模型中的错误。这通常通过设计尽可能少使用统计检验的策略来解决。在本文中,我们介绍了这样一个战略的形式,现有的约束为基础的因果发现算法,保持健全性和完整性的递归包装。它从一开始就使用规范化的最小割准则递归地对观察到的变量进行聚类,并在回溯过程中使用基线因果发现算法来学习局部子图。然后将它们组合起来并确保完整性。通过消融研究,使用合成数据,并通过常见的现实世界的基准,我们证明,我们的方法需要显着更少的统计测试,学习更准确的图形,并需要更短的运行时间比基线算法。
2021-07-11 cs.AI cs.LG stat.ML
Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations
University of Cambridge(剑桥大学);The Alan Turing Institute(阿兰·图灵研究所)
针对符号回归难以处理无闭式表达式的实验数据、广义加性模型无法捕捉复杂特征交互的问题,提出融合两类方法优势的Shape Arithmetic Expressions(SHAREs)模型及构建规则,提升表达式透明性。
2024-04-15 cs.LG stat.ML
Data-Driven Variational Basis Learning Beyond Neural Networks: A Non-Neural Framework for Adaptive Basis Discovery
UC Berkeley(加州大学伯克利分校)
本文提出非神经框架的变分基学习方法,通过变分优化直接从数据学习基函数,实现数据自适应的基展开,保留可解释性和数学透明度。
2026-04-17 cs.CL cs.LG
Privileged observations enable rapid and reliable policy discovery directly in the physical world
ETH Zürich(苏黎世联邦理工学院)
本文利用强化学习研究反馈在技能习得中的作用,发现高维流反馈有助于发现高性能策略,但无反馈时仍能完成任务,表明学习条件取决于目标而非动态或策略复杂性。
2026-09-15 cs.AI cs.LG cs.RO
LLMs Between the Nodes: Community Discovery Beyond Vectors
该研究针对传统社区检测方法仅侧重图结构的局限,提出融合LLM语义与图结构的CommLLM两步框架,经6个真实数据集验证,图感知策略引导的LLM可有效提升中小型图社区检测的准确性与一致性。
2025-07-29 cs.LG cs.SI
SyMANTIC: An Efficient Symbolic Regression Method for Interpretable and Parsimonious Model Discovery in Science and Beyond
The Ohio State University(俄亥俄州立大学)
SyMANTIC通过互信息特征选择、自适应特征扩展和递归稀疏回归高效发现低维可解释数学表达式,以远低于现有符号回归方法的成本获得相似或更准确的模型。
2025-02-05 cs.LG
DeepRetro: Retrosynthetic Pathway Discovery using Iterative LLM Reasoning
Deep Forest Sciences(深林科学)
DeepRetro集成LLMs、传统逆合成引擎与专家反馈,通过迭代设计循环实现复杂天然产物的合成路径发现,在基准测试中表现优异,为全合成提供新路线并促进人机协作。
2025-08-19 cs.AI cs.CL cs.LG
NeurNCD: Novel Class Discovery via Implicit Neural Representation
The University of Hong Kong(香港大学);Beijing Jiaotong University(北京交通大学)
本文提出 NeurNCD 框架,利用 Embedding-NeRF 与 KL 散度替代显式3D分割图,并结合特征查询、调制和聚类,在开放与封闭世界中实现更优的新类别发现与分割性能。
2025-06-06 cs.CV cs.LG
NeuronDiscover: Agent-in-Twin for Mechanistic Discovery in Neuronal Microenvironments with World Action Models
Institute of Medical Technology, Peking University Health Science Center(北京大学医学部医学技术研究院);Beijing Key Laboratory of Intelligent Neuromodulation and Brain Disorder Treatment(北京智能神经调控与脑疾病治疗重点实验室);Department of Radiology, Peking University Third Hospital(北京大学第三医院放射科);National Biomedical Imaging Center, College of Future Technology, Peking University(北京大学未来技术学院国家生物医学成像中心)
NeuronDiscover提出孪生智能体框架,通过世界行动模型耦合预测与实验设计,区分机制变化与模型误差,在模拟和真实数据上提升机制发现效率与验证准确性。
2026-10-15 cs.LG q-bio.NC
Machine-Guided Discovery of a Real-World Rogue Wave Model
Pasteur Labs(巴斯德实验室);Niels Bohr Institute, University of Copenhagen(哥本哈根大学尼尔斯·玻尔研究所);University of Victoria(维多利亚大学)
本文提出利用因果分析、深度学习、简约性引导的模型选择和符号回归,从波浪浮标观测数据中发现海洋异常波的新符号模型,该模型在预测性能和可解释性上优于现有理论。
2023-11-21 cs.LG physics.geo-ph
Beyond Fixed False Discovery Rates: Post-Hoc Conformal Selection with E-Variables
Department of Engineering, King’s College London(伦敦国王学院工程系);Institute for Intelligent Networked Systems, Northeastern University London(伦敦东北大学智能网络系统研究所)
本文提出post-hoc CS方法,通过e变量和e-BH程序,在有限样本下提供可靠性保障,允许用户根据需求调整选择数量与FDR的平衡,同时保持FDR控制。
2026-07-10 cs.IT cs.LG math.IT
RECLAIM: Cyclic Causal Discovery Amid Measurement Noise
School of Electrical and Computer Engineering, Georgia Institute of Technology(佐治亚理工学院电气与计算机工程学院)
RECLAIM通过最大似然估计和残差归一化流处理循环因果和测量噪声,理论保证一致性和实验证明有效性。
2026-03-21 cs.LG stat.ML