- 论文公开站arXiv
基于适配器的少样本持续学习用于恶意数据包识别
Adapter-Based Few-Shot Continual Learning for Malicious Packet Recognition
摘要显示，针对恶意软件变体持续演化，作者提出一种基于适配器的少样本类增量学习框架，用于恶意数据包识别。该方法使用自监督学习骨干网络，并通过领域特定预训练初始化，在基础会话中采用低秩适配（LoRA）微调，同时冻结核心骨干以保留旧知识，增量会话使用原型分类头。实验表明，该方法在多个数据集上优于现有恶意软件FSCIL基线，达到最先进性能。
意义：该研究为恶意软件检测提供了一种高效的持续学习方案，能适应新威胁而不遗忘旧知识，对网络安全领域的AI模型部署具有实用价值。
- 论文公开站arXiv
局部蒸馏：实现可解释AI的新方法
Interpretable AI with Local Distillation
摘要提出局部蒸馏方法，通过黑箱教师模型指导正则化线性学生模型，在查询点附近实现高精度与可解释性。教师通过加权相似预测结果的训练观测定义局部性，并利用伪观测锚定拟合。通过高斯随机化评估特征选择稳定性，并在17个基准数据集上验证，局部蒸馏在保持高精度的同时提供透明解释。
意义：该方法为高 stakes 决策提供兼顾准确性与可解释性的模型，有助于增强AI信任度，推动可解释AI在金融、医疗等领域的应用。
- 论文公开站arXiv
基于物理约束深度学习的非接触式三轴体震信号血压监测模型
Physics-Constrained Deep Learning Model for Contactless Blood Pressure Monitoring from Triaxial Bodyseismography
本文提出Phy-BP框架，用于基于三轴体震信号（BSG）的非接触式血压监测。该框架包含自适应质量控制算法，筛选富含心源性成分的BSG段，并建立物理模型描述体-床系统中的三维波传播，嵌入深度学习模型以对齐多轴特征。在21名受试者162小时医院数据集上，Phy-BP能动态过滤低质量测量，并通过物理一致性约束提升模型鲁棒性，尤其在训练样本有限时表现良好。
意义：该研究将物理模型与深度学习结合，提升非接触式血压监测的鲁棒性和泛化能力，对可穿戴健康监测和AI医疗应用具有重要意义。
- 论文公开站arXiv
EG-ARSA：面向低资源场景的视觉道路安全审计开放专家模型
EG-ARSA: An Expert-Grounded Open Model for Visual Road Safety Auditing in Low-Resource Settings
该研究提出专家接地蒸馏（EGD）框架，将机构道路安全专业知识迁移至紧凑视觉语言模型，用于可扩展的视觉道路安全审计。通过量化校准阶段，教师模型与权威实地审计达成显著一致（Cohen's kappa=0.74）。蒸馏后的80亿参数学生模型采用低秩适应。研究还发布了首个开放专家接地的孟加拉道路安全审计数据集BD-ARSA，含21,947条图像审计记录，以及首个专为此任务开发的视觉语言模型EG-ARSA。实验显示，接地微调显著提升了序数风险评估…
意义：为低资源环境提供可扩展的视觉道路安全审计方案，通过专家接地蒸馏提升模型可靠性，对AI在公共安全领域的落地具有示范意义。
- 论文公开站arXiv
SPARCL：基于谱分解的解析持续学习方法
SPARCL: Spectral Partitioned Analytic Continual Learning
SPARCL是一种新的解析持续学习方法，通过将自相关矩阵分解为高能核心和残差部分，仅更新残差块，从而避免旧类特征谱干扰。实验表明，在CIFAR-100、CUB-200等数据集上，SPARCL显著缩小了与强表示匹配方法的差距，并与Fly-CL等方法互补。
意义：为持续学习提供新理论视角，简化更新过程，提升旧类稳定性，对类增量学习场景有实际应用价值。
- 论文公开站arXiv
注入、对齐、恢复：面向无检索文档知识内化的分阶段后训练框架
Inject, Align, Recover: Staged Post-Training for Retrieval-Free Document Knowledge Internalization
大型语言模型在推理时无法检索源文档时，往往难以回答关于特定文档集的问题。为此，本文提出IAR（注入、对齐、恢复）三阶段后训练框架，将固定语料转化为可用的参数化知识，实现无检索问答。注入阶段采用续写、改写和指令条件重建目标；对齐阶段使用仅答案的问答监督；恢复阶段合并领域适配模型与基础指令模型以恢复通用能力。实验显示，在多个模型家族和数据集上，IAR在领域问答准确率上平均提升3.6个百分点，通用性能平均提升12.1个百分点。
意义：该框架为无需检索的文档知识内化提供了新方法，提升领域问答准确率的同时保持通用能力，对构建高效、实用的领域专用模型具有重要意义。
- 论文公开站arXiv
可解释的Transformer模型用于结构化电子健康记录上的临床预测任务
Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records
摘要显示，研究者提出BERT-LER模型，一种基于BERT架构的模型，用于编码电子健康记录（EHR）时间线。该模型在包含7500万患者的去标识化EHR数据集上预训练和微调，将实验室检测结果编码为离散令牌，并通过基于百分位的分箱保留分级信息，结合集成梯度方法提供令牌级归因。在EHRShot基准和哮喘严重程度进展研究中，BERT-LER在预测性能上与公开基准模型竞争，在实验室相关任务上常超越它们，且归因与临床已知风险因素一致。
意义：该研究将实验室值表示与可解释性统一于一个框架，为EHR基础模型提供方法论补充，有助于临床预测的可靠性和临床采纳。
- 论文公开站arXiv
G-CARL：面向患者导向的医学报告解读的基于清单对齐的奖励学习框架
G-CARL: Grounded Checklist-Aligned Reward Learning for Patient-Oriented Medical Report Interpretation
摘要显示，研究者提出患者导向的医学报告解读（PMRI）任务，要求模型根据用户查询和对话历史，以准确且通俗的语言解释医学报告。为解决事实性和沟通性目标难以联合优化的问题，提出G-CARL框架，结合多源检索进行原子声明验证，并采用上下文感知的加权清单确保响应覆盖，从而提供结构化监督。同时构建了真实世界基准MMedReport和临床医生设计的三维评估协议，实验表明G-CARL在整体质量、声明级精度和清单达成率上优于现有基线。
意义：为医学报告解读提供了兼顾事实性与用户沟通的强化学习框架，并引入新基准，对医疗AI的个性化交互和可验证生成有重要参考价值。
