世界模型

PropSplat: Map-Free RF Field Reconstruction via 3D Gaussian Propagation Splatting

PropSplat: 通过3D高斯传播散射实现无地图的射频场重建

William Bjorndahl, Maninder Pal Singh, Farhad Nouri, Joseph Camp

机构 * Department of Electrical and Computer Engineering, Southern Methodist University, Dallas, TX, USA（电气与计算机工程系，南方 Methodist 大学，德克萨斯州达拉斯市） ； Department of Engineering Technology, University of Houston, Houston, TX, USA（工程技术系，德克萨斯大学休斯敦分校） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.LG

AI总结 PropSplat利用3D各向异性高斯体重建射频场，无需地理数据或外部信息，通过端到端优化实现精准传播建模，优于现有方法。

Comments Accepted for presentation at IEEE DySPAN 2026

Reliable Microservice Tail Latency Prediction via Decoupled Dual-Stream Learning and Gradient Modulation

通过解耦双流学习和梯度调制实现可靠微服务尾延迟预测

Wenzhuo Qian, Hailiang Zhao, Jiayi Chen, Ziqi Wang, Tianlv Chen, Zhiwei Ling, Xinkui Zhao, Kingsum Chow, Albert Y. Zomaya, Shuiguang Deng

机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Software Technology, Zhejiang University（浙江大学软件学院） ； Polytechnic Institute, Zhejiang University（浙江大学 polytechnic 院） ； School of Computer Science, University of Sydney（悉尼大学计算机科学学院） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出USRFNet框架，通过解耦需求与容量建模，利用图神经网络和门控MLP分别建模流量和资源动态，结合层次张量融合提升预测精度，实验显示在三个真实世界基准上MAPE降低15.62%-26.11%。

User Simulation in the Era of Generative AI: User Modeling, Synthetic Data Generation, and System Evaluation

生成AI时代用户模拟：用户建模、合成数据生成与系统评估

Krisztian Balog, ChengXiang Zhai

机构 * University of Stavanger（斯塔万格大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文探讨生成AI时代用户模拟的跨学科应用，提出从传统预测模型向生成方法转变，并强调伦理考量与AGI追求的理论联系，建立学术与产业的创新生态系统。

Learned Elevation Models as a Lightweight Alternative to LiDAR for Radio Environment Map Estimation

学习的高程模型作为LiDAR的轻量级替代方案用于无线电环境图估计

Ljupcho Milosheski, Fedja Močnik, Mihael Mohorčič, Carolina Fortuna

机构 * Department of Communication Systems, Jožef Stefan Institute（Jožef Stefan研究所通信系统系） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.AI

AI总结 本文提出一种两阶段框架，利用卫星RGB图像学习高程模型，替代传统LiDAR数据，提升无线电环境图估计的精度和效率。

Comments 6 pages, 3 figures, 3 tables Submitted to PIMRC 2026

Analysis of Efficient Transmission Methods of Grid Maps for Intelligent Vehicles

智能车辆网格地图高效传输方法分析

Robin Dehler, Dominik Authaler, Aryan Thakur, Thomas Wodtko, Michael Buchholz

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.RO

AI总结 本文分析了智能车辆网格地图传输问题，提出基于补丁的通信管道以高效传输网格地图数据，通过实验证明其在车载和V2X通信中的有效性。

Comments Accepted for 2026 IEEE Intelligent Vehicles Symposium (IV) - DOI will be added after publication

Generating Humanless Environment Walkthroughs from Egocentric Walking Tour Videos

从第一人称行走游览视频生成无人类环境 walkthroughs

Yujin Ham, Junho Kim, Vivek Boominathan, Guha Balakrishnan

机构 * Rice University（莱斯大学） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.CV

AI总结 本文提出一种生成算法，通过去除行走视频中的人和阴影效果，提升环境建模应用，使用半合成数据集训练Casper模型，实现高质量的无人类视频生成，进而构建三维/四维城市模型。

Decoding Defensive Coverage Responsibilities in American Football Using Factorized Attention Based Transformer Models

利用基于因子化注意力的变换器模型解码美式足球防守覆盖责任

Kevin Song, Evan Diewald, Ornob Siddiquee, Chris Boomhower, Keegan Abdoo, Mike Band, Amy Lee

机构 * Amazon Web Services, Seattle, WA, USA（亚马逊云服务（AWS），美国华盛顿州西雅图） ； National Football League, New York, NY, USA（美国国家橄榄球联盟（NFL），美国纽约州纽约市） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG、cs.CV；predictive model(abstract)

AI总结 本文提出基于因子化注意力的变换器模型，用于预测美式足球比赛中防守球员的覆盖分配、接球手与防守球员的配对及每次传球的受攻防守球员，实现了对球员责任的动态预测。

Comments 19 pages, 8 figures, ISACE 2026

SpecTM: Spectral Targeted Masking for Trustworthy Foundation Models

SpecTM：用于可信基础模型的频谱定向遮蔽

Syed Usama Imtiaz, Mitra Nasr Azadani, Nasrin Alamdari

机构 * Department of Civil and Environmental Engineering（土木与环境工程系） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出SpecTM，一种结合物理约束的遮蔽设计，通过预训练时利用交叉频谱上下文重建目标波段，提升EO领域基础模型的可信度和可解释性。

Comments Accepted to IEEE IGARSS 2026

Failure Detection in Chemical Processes Using Symbolic Machine Learning: A Case Study on Ethylene Oxidation

利用符号机器学习进行化学过程故障检测：乙烯氧化的案例研究

Julien Amblard, Niklas Groll, Matthew Tait, Mark Law, Gürkan Sin, Alessandra Russo

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文利用符号机器学习预测化学过程故障，通过乙烯氧化案例展示其在解释性与预测性能上的优势。

Comments Accepted at AAAI-MAKE 2026

When Validation Fails: Cross-Institutional Blood Pressure Prediction and the Limits of Electronic Health Record-Based Models

当验证失败时：跨机构血压预测与基于电子健康记录模型的局限性

Md Basit Azam, Sarangthem Ibotombi Singh

机构 * Dept of CSE, Tezpur University, Tezpur, Assam, INDIA.（计算机科学与工程系，泰浦大学，泰浦，阿萨姆，印度） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文研究了跨机构血压预测模型的局限性，发现内部验证表现良好但外部验证效果差，揭示了机构间差异对模型泛化能力的影响。

Cliqueformer: Model-Based Optimization with Structured Transformers

Cliqueformer: 基于结构变换器的模型优化

Jakub Grudzien Kuba, Pieter Abbeel, Sergey Levine

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 Cliqueformer通过功能图模型学习黑盒函数结构，提升模型优化性能，适用于蛋白质工程和材料发现等设计任务。

Federated Learning with Multi-Partner OneFlorida+ Consortium Data for Predicting Major Postoperative Complications

基于多合作伙伴OneFlorida+联盟数据的联邦学习用于预测重大术后并发症

Yuanfang Ren, Varun Sai Vemuri, Zhenhong Hu, Benjamin Shickel, Ziyuan Guan, Tyler J. Loftus, Parisa Rashidi, Tezcan Ozrazgat-Baslanti, Azra Bihorac

机构 * Intelligent Clinical Care Center, University of Florida（佛罗里达大学智能临床护理中心） ； Department of Medicine, Division of Nephrology, Hypertension, and Renal Transplantation, University of Florida（佛罗里达大学医学系肾病、高血压和肾移植分部） ； Department of Surgery, University of Florida（佛罗里达大学外科系） ； Department of Biomedical Engineering, University of Florida（佛罗里达大学生物医学工程系） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本研究利用多中心数据开发并验证了联邦学习模型，以预测重大术后并发症和死亡率，展示了联邦学习在隐私保护下的强大泛化能力。

Comments 1 figure, 6 tables

Age Predictors Through the Lens of Generalization, Bias Mitigation, and Interpretability: Reflections on Causal Implications

通过泛化、偏差缓解和可解释性视角的年龄预测器：对因果影响的反思

Debdas Paul, Elisa Ferrari, Irene Gravili, Alessandro Cellerino

机构 * Leibniz Institute on Aging — Fritz Lipmann Institute (FLI)（利普希茨衰老研究所——弗里茨·利普曼研究所） ； Scuola Normale Superiore（正常大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文探讨了通过消除外源性属性如种族、性别或组织来提升年龄预测的泛化能力，讨论了可解释神经网络模型在因果推断中的局限性。

An Interpretable Machine Learning Framework for Non-Small Cell Lung Cancer Drug Response Analysis

一种可解释的机器学习框架用于非小细胞肺癌药物反应分析

Ann Rachel, Pranav M Pawar, Mithun Mukharjee, Raja M, Tojo Mathew

机构 * Department of Computer Science（计算机科学系） ； Birla Institute of Technology and Science Pilani（比拉理工学院和科学学院） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG、cs.CV；predictive model(abstract)

AI总结 本文提出基于多组学数据的可解释机器学习框架，利用XGBoost预测肺癌药物反应，并通过SHAP和DeepSeek解释关键基因和通路的作用。

Comments 26 pages, 8 figures

A federated learning framework with knowledge graph and temporal transformer for early sepsis prediction in multi-center ICUs

一种融合知识图谱和时间变换器的联邦学习框架用于多中心ICU早期脓毒症预测

Yue Chang, Guangsen Lin, Jyun Jie Chuang, Shunqi Liu, Xinkui Li, Yaozheng Li

机构 * Chengdu Medical College（成都医学院） ； Kunming Medical University（昆明医科大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； University of Southern California（南加州大学） ； Yanshan University（燕山大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出融合知识图谱和时间变换器的联邦学习框架，用于多中心ICU早期脓毒症预测，通过隐私保护的协同训练提升预测性能，实验表明其AUC达到0.956，优于传统集中模型和标准联邦学习。

Sampling-guided exploration of active feature selection policies

基于采样引导的主动特征选择策略探索

Gabriel Bernardino, Anders Jonsson, Patrick Clarysse, Nicolas Duchateau

机构 * Department of Engineering, Universitat Pompeu Fabra（庞培法布拉大学工程学院） ； Univ Lyon, Université Claude Bernard Lyon 1, INSA-Lyon, CNRS, Inserm, CREATIS UMR 5220, U1294（里昂大学） ； Institut Universitaire de France (IUF)（法国国家科学研究中心） 纠错

专题命中 通用世界模型 ：分类 cs.LG、cs.CV；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出基于强化学习的主动特征选择方法，通过启发式策略扩展框架以处理大规模数据，并引入后拟合正则化策略减少特征组合，提升分类性能和策略复杂度。

STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching

STRIDE: 通过流匹配实现结构化拉格朗日和随机残差动力学

Prakrut Kotecha, Ganga Nair B, Shishir Kolathaya

专题命中 通用世界模型 ：分类 cs.LG、cs.RO；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出STRIDE框架，结合拉格朗日神经网络与条件流匹配，分离保守刚体动力学与非保守随机交互效应，提升机器人在不确定环境中的预测精度与控制可靠性。

Comments 9 pages, 7 figures

Deconfounded Time Series Forecasting: A Causal Inference Approach

去偏时间序列预测：一种因果推断方法

Wentao Gao, Xiaojing Du, Wenjun Yu, Xiongren Chen, Yifan Guo, Feiyu Yang

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出一种融合潜在混杂因素的时间序列预测方法，通过引入历史数据中的混杂因素表示，提升预测准确性和鲁棒性，在气候科学数据中验证了其有效性。

MARIA: a Multimodal Transformer Model for Incomplete Healthcare Data

MARIA：一种用于不完整医疗数据的多模态Transformer模型

Camillo Maria Caruso, Paolo Soda, Valerio Guarrasi

机构 * UniCampus 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 MARIA是一种基于Transformer的多模态模型，通过掩码自注意力机制有效处理不完整医疗数据，优于现有方法在性能和鲁棒性方面。

A Systematic Review of Intermediate Fusion in Multimodal Deep Learning for Biomedical Applications

多模态深度学习在生物医学应用中的中间融合系统综述

Valerio Guarrasi, Fatih Aksu, Camillo Maria Caruso, Francesco Di Feola, Aurora Rofena, Filippo Ruffini, Paolo Soda

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文系统综述了多模态深度学习在生物医学应用中的中间融合方法，分析了现有技术、挑战及未来方向，并提出结构化符号以促进方法的广泛应用。

Journal ref Image and Vision Computing 158 (2025) 105509

A Component-Based Survey of Interactions between Large Language Models and Multi-Armed Bandits

基于组件的大型语言模型与多臂老虎机交互调研

Siguang Chen, Chunli Lv, Miao Xie

机构 * College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China（信息与电气工程学院，中国农业大学，北京） ； Key Laboratory of Agricultural Machinery Monitoring and Big Data Application, Ministry of Agriculture and Rural Affairs, Beijing 100083, China（农业机械监测与大数据应用重点实验室，农业农村部，北京） 纠错

专题命中 通用世界模型 ：environment model(abstract)；分类 cs.LG

AI总结 本文调研了大型语言模型与多臂老虎机在组件层面的双向交互，分析了两者在解决对方挑战中的协同作用及未来研究方向。

Comments 25 pages, 6 table

Know When to Abstain: Optimal Selective Classification with Likelihood Ratios

知何时退避：基于似然比的最优选择性分类

Alvin Heng, Harold Soh

机构 * Department of Computer Science, National University of Singapore（计算机科学系，国立新加坡大学） ； Smart Systems Institute, National University of Singapore（智能系统研究所，国立新加坡大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出基于似然比的最优选择性分类方法，通过 Neyman-Pearson 引理统一并改进了选择性分类在协变量偏移下的性能。

Streaming Continual Learning for Unified Adaptive Intelligence in Dynamic Environments

流式持续学习用于动态环境中的统一自适应智能

Federico Giannini, Giacomo Ziffer, Andrea Cossu, Vincenzo Lomonaco

机构 * DEIB, Politecnico di Milano（迪埃比学院，米兰理工大学） ； Computer Science Department, University of Pisa（帕尔马大学计算机科学系） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出流式持续学习框架，结合持续学习和流式机器学习的优势，以提升动态环境中的自适应智能能力。

Journal ref IEEE Intelligent Systems 39(6) 81-85, 2024

A Benchmark of Causal vs. Correlation AI for Predictive Maintenance

因果与相关性AI在预测性维护中的基准测试

Shaunak Dhande, Chutian Ma, Giacinto Paolo Saggese, Paul Smith, Krishna Taduri

机构 * Causify AI ； Department of Computer Science, University of Maryland, College Park, MD, USA（计算机科学系，马里兰大学，学院公园，MD，美国） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本研究通过对比因果与相关性AI方法，发现因果模型在预测性维护中能提供更好的成本节约和故障归因能力。

HAWX: A Hardware-Aware FrameWork for Fast and Scalable ApproXimation of DNNs

HAWX：一种面向硬件的框架，用于快速且可扩展的深度神经网络近似

Samira Nazari, Mohammad Saeed Almasi, Mahdi Taheri, Ali Azarpeyvand, Ali Mokhtari, Ali Mahani, Christian Herglotz

机构 * University of Zanjan（赞詹大学） ； Brandenburg Technical University（勃兰登堡技术大学） ； Tallinn University of Technology（塔林技术大学） ； Shahid Bahonar University（沙希德·巴霍纳大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 HAWX通过多级敏感度评分和预测模型，实现深度神经网络近似的快速且可扩展优化，提升效率并支持多种硬件架构。

Detecting Jailbreak Attempts in Clinical Training LLMs Through Automated Linguistic Feature Extraction

通过自动化语言特征提取检测临床训练LLM中的劫持尝试

Tri Nguyen, Huy Hoang Bao Le, Lohith Srikanth Pentapalli, Laurah Turner, Kelly Cohen

机构 * University of Cincinnati（克利夫兰大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本研究通过自动化语言特征提取，利用BERT模型预测四个核心语言特征，以检测临床训练LLM中的劫持尝试，验证了该方法的有效性及可扩展性。

An Explainable Failure Prediction Framework for Neural Networks in Radio Access Networks

用于无线接入网络神经网络的可解释性故障预测框架

Khaleda Papry, Francesco Spinnato, Marco Fiore, Mirco Nanni, Israat Haque

机构 * Department of Computer Science, Dalhousie University, Canada（达尔豪斯大学计算机科学系） ； Department of Computer Science, University of Pisa, Italy（比萨大学计算机科学系） ； IMDEA Networks Institute, Madrid, Spain（IMDEA网络研究所） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出一种结合可解释性与模型优化的框架，用于提升无线接入网络中神经网络的故障预测能力，通过减少参数和提升F1分数实现更高效的模型设计。

Diffusion-Based Scenario Tree Generation for Multivariate Time Series Prediction and Multistage Stochastic Optimization

基于扩散的场景树生成用于多变量时间序列预测和多阶段随机优化

Stelios Zarifis, Ioannis Kordonis, Petros Maragos

机构 * HERON - Hellenic Robotics Center of Excellence（希腊机器人 excellence 中心） ； Robotics Institute（机器人研究所） ； School of Electrical & Computer Engineering（电气与计算机工程学院） ； National Technical University of Athens（雅典技术大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文提出基于扩散的场景树生成方法，用于多变量时间序列预测和多阶段随机优化，通过递归采样和聚类生成结构化的场景树，提升不确定性处理能力。

Comments 5 pages, 2 figures, 1 table, and 1 algorithm. This version is submitted to the 34th EURASIP European Signal Processing Conference 2026 (EUSIPCO 2026), to be held in Bruges, Belgium, on August 31 - September 4, 2026

Relational Graph Transformer

关系图变换器

Vijay Prakash Dwivedi, Sri Jaladi, Yangyi Shen, Federico López, Charilaos I. Kanatsoulis, Rishi Puri, Matthias Fey, Jure Leskovec

机构 * Stanford University（斯坦福大学） ； NVIDIA 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 RelGT通过新颖的多元素分词策略，解决关系图中异构性、时效性和拓扑结构的编码问题，实现对关系数据的高效建模，优于GNN基线。

Comments ICLR 2026, Code: https://github.com/snap-stanford/relgt

Discovering Mechanistic Models of Neural Activity: System Identification in an in Silico Zebrafish

发现神经活动的机理模型：在虚拟斑马鱼中的系统识别

Jan-Matthis Lueckmann, Viren Jain, Michał Januszewski

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本文通过虚拟斑马鱼实验，利用大语言模型树搜索发现神经活动的预测模型，证明结构先验对机理模型发现的重要性。