针对316L不锈钢氢脆检测的防数据泄漏机器学习评估协议
扫描电子显微镜（SEM）常用于表征结构钢因氢脆引起的微观结构变化。尽管机器学习能自动化此类表征，但现有模型常采用图像级划分，当同一样本区域包含多张图像时易引发数据泄漏。为此，研究人员针对316L不锈钢原始状态与充氢状态的SEM显微图像分类任务，提出了一种基于14个空间区域留一（LORO）交叉验证的区域保留评估协议，以实现对纹理特征与深度特征更可靠的无泄漏评估。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
RECLAIM基准：评估AI智能体复现机器学习论文研究结果的能力
该研究提出了名为RECLAIM的新基准测试，旨在评估AI智能体能否复现机器学习论文的核心研究结论。基准选取了100篇NeurIPS 2025论文，预先设定了待复现结果、成功复现判定标准以及GPU运行时间预算。根据原作者开源内容的完整度，基准设立了不同难度层级，测试智能体在软件安装、代码调试及运行实验等完整科研工作流中的自动化复现能力。
面向 AnDE 分类器的联邦学习框架研究
该研究提出了一种在分布式环境中训练平均 n-依赖估计器（AnDE）的联邦学习框架。该方案重点关注判别式设定，模型权重在本地学习后进行全局聚合，并支持任意依赖阶数 n。由于无需传输具有直接语义的参数，该设计显著提升了隐私安全性。此外，研究还实现了生成式 AnDE 联邦基准，支持在概率表聚合中引入差分隐私，并在 12 个离散数据集上完成了有效性验证。
谷歌启动Suncatcher项目，拟将机器学习算力基础设施部署至太空
谷歌正推进名为“Suncatcher”的创新项目，计划将机器学习基础设施直接部署到太空环境中。该项目旨在探索利用太空独特环境（如太阳能资源和散热条件）承载AI算力与数据处理任务的可行性。目前公开信息有限，具体的发射规划、硬件配置、抗辐射技术细节以及实际部署时间表尚未完全披露，仍处于早期概念与试验阶段。
AI文档分类实用指南：实现规模化自动归类与打标
该指南详细介绍了如何利用人工智能技术实现大规模文档的自动分类、打标与路由流转。文章深入探讨了构建切实可行的文档处理方案的关键要素，并重点剖析了在应对真实复杂业务文档时，高性能处理系统与普通系统之间的核心差异，为工程团队落地自动化文档处理流水线提供了实践参考。
9月24日2026-09-24
LWCal：面向含噪标签表格分类器的损失加权概率校准方法
传统事后概率校准通常假设留出校准集标签完全干净，但在实际落地场景中，校准标签往往受弱标注或启发式规则影响而存在噪声。为此，研究人员针对表格分类器提出了一种名为LWCal的轻量级事后校准器。该方法仅依赖CPU运行，通过降低与基模型留出预测概率相矛盾的含噪样本权重，在无需干净验证集的情况下完成有效校准，解决了弱监督或含噪环境下的概率可靠性问题。
PR-Smoother：面向物理数据同化的保留模拟器非高斯平滑方法
在物理数据同化（DA）工作流中，通常需要平滑算法能够表示物理状态变量的非高斯后验分布，并适配高维物理模拟器。针对这一需求，研究人员提出了 PR-Smoother，一种保留模拟器的摊销平滑方法。该方法的核心设计在于，在证据下界与变分分布族中均显式保留既定的物理模拟器，而非训练替代动力学模型或学习完整轨迹，从而在仅依赖观测窗口训练的同时，保持与模拟器校准的良好兼容性。
跨八大领域评估：后处理公平性约束何时有效何时受损
生产环境机器学习的公平性审计往往仅在部署时进行单域单次评估，难以应对重训或用户群变化导致的公平性漂移。为此，研究团队提出了生产环境公平性审计框架FAPE，该框架包含四个阶段，专门评估后处理干预措施（如Fairlearn的ThresholdOptimizer）。研究在刑事司法、收入预测、法律录取、信用贷款及农业信贷等八个领域展开跨域实证评估，深入剖析了后处理公平约束在不同场景下的适用性与潜在风险。
资源高效的分布式递归高斯过程算法研究
针对多智能体系统中去中心化环境下统一模型维护的难题，本文提出了两种用于多输出高斯过程回归的高效分布式递归高斯过程算法：ADMM-RGP与PDMM-RGP。该研究解决了多智能体在仅依赖本地测量和邻居通信时的高效协同计算问题，能够在量化预测不确定性的同时降低通信与计算开销，为多智能体系统的分布式学习与状态估计提供了新的理论与算法支持。
研究团队推出聚合物性质预测开源基准PolyBench26
针对聚合物性质预测领域缺乏开源、标准化基准且覆盖聚合物结构狭窄的问题，研究团队推出了PolyBench26开源数据集。该基准包含近25万条聚合物性质数据点，涵盖实验测量、密度泛函理论和分子动力学模拟得出的8种物理性质。该数据集支持均聚物、交替共聚物、无规共聚物和嵌段共聚物等多结构类型的四类评估任务，旨在促进机器学习方法在聚合物科学中的规范化评估与对比。
已训练图神经网络中的局部证据与几何读出修复
许多用于节点分类的图神经网络（GNN）将线性分类器应用于局部消息的非负混合中。预测错误往往源于混合权重不佳或可达 logit 集合的几何位置不适合该分类器。该研究通过精确质量线性规划和两种后验修复方法区分了这两类原因。研究表明，每个重加权预测都对应一个中心化的 logit 平移。在8个数据集、8个 GNN 骨干网络及10种划分上的实验表明，重加权使冻结模型的平均准确率从62.6%提升至63.8%。
面向未观测混杂因素的鲁棒风险评分学习方法
该研究探讨了在存在未观测混杂因素的历史观测数据中学习风险评分的难题，此类评分通常用于指导稀缺资源分配或干预措施的优先级。尽管逆倾向加权等传统方法尝试校正观测数据带来的偏差，但在存在未观测混杂时仍面临严峻挑战。本研究旨在提出能够在混杂偏差下保持鲁棒性的评分学习方案。注：原始摘要文本末尾有所截断，具体方法细节未完全披露。
面向保形椭球的尾部感知几何学习研究
该研究聚焦于多元保形预测（CP）这一具备有限样本覆盖保证的无分布不确定性量化框架。针对现有最小体积方法依赖分位数阈值、忽略尾部残差严重性并将几何学习与覆盖水平隐式绑定的问题，研究团队提出了一种用于保形椭球的尾部感知几何学习框架。该方法成功将几何学习中的尾部敏感性与最终覆盖保证解耦，从而提升了多元预测集的构建效率与几何表征能力。