- 资讯公开站rss_arxiv_cs_ai
面向昂贵进化优化的排名可靠教师引导适应度近似：一项TinyML架构搜索研究
Rank-Reliable Teacher-Guided Fitness Approximation for Expensive Evolutionary Optimization: A TinyML Architecture Search Study
arXiv:2609.30553v1 公告类型：新 摘要：昂贵的进化搜索并不总是需要对每个候选个体进行精确的适应度估计。它往往只需要对一个更简单的问题给出可靠答案：哪个候选个体更好？我们通过教师引导学习NSGA-II（TGL-NSGA-II）来满足这一需求，这是一个用于带约束的微型机器学习（TinyML）神经网络架构搜索的低保真框架。一个预训练教师将样本组织为由难度和类别共同定义的分层。随后，每个候选个体都要经过KD-Lite，即在紧凑…
- 资讯公开站Semiconductor Engineering
面向下一代量子应用的AI驱动器件建模
AI-Driven Device Modeling For Next Generation Quantum Applications
摘要显示，该文探讨在低温环境下提取先进紧凑模型，并利用混合人工神经网络（ANN）方法克服其不足，以支持下一代量子应用。文章来自Semiconductor Engineering，但未提供具体实验数据、机构或性能指标。
意义：AI辅助紧凑模型有望提升量子器件在低温下的建模精度，为量子芯片设计提供新思路。
- 论文公开站arXiv
粒子竞争与合作：标签噪声下鲁棒图卷积网络学习
Particle Competition and Cooperation for Robust Graph Convolutional Network Learning Under Label Noise
摘要显示，该工作提出PCC+GCN混合框架，在GCN训练前用粒子竞争与合作（PCC）作为基于图的标签精炼阶段，通过粒子支配动态识别可疑标注节点，并决定保留、删除或重新分配其标签；PCC所用图可加入特征k近邻边，而GCN仍在原始图结构上训练。在NoisyGL基准的十个图数据集上，常规均匀、Pair、随机噪声及实例相关噪声下，该方法取得最高平均准确率与最佳平均排名，较基线GCN平均提升1.67个百分点，并在十个数据集中八个上为最快鲁棒方法。
意义：为标签噪声下的图神经网络训练提供即插即用的标签精炼前置模块，兼顾精度与速度，对噪声标注场景的GCN落地有参考价值。
- 资讯公开站Nature News
用于 X 射线到体数据配准的快速患者个性化神经网络
Rapid patient-specific neural networks for X-ray to volume registration
该研究提出一种快速构建患者个性化神经网络的方法，用于将 X 射线图像与三维体数据（如 CT）进行配准。方法针对单个患者快速训练网络，以提升配准精度与速度，服务于影像引导等场景。
意义：将患者个性化神经网络引入医学影像配准，有望提升术中X光与CT对齐的实时性与精度，对医学AI与影像引导开发有参考价值。
- 开源项目公开站GitHub
微软AI初学者课程：12周24课，面向所有人的AI教育
microsoft/AI-For-Beginners — 12 Weeks, 24 Lessons, AI for All!
微软发布AI初学者课程，包含12周24课，覆盖符号AI、神经网络、深度学习、计算机视觉、自然语言处理等主题，配有代码示例和实验，旨在帮助初学者全面了解AI。课程在GitHub上开源，已获超6.8万星标。
意义：为开发者提供系统化AI学习路径，降低入门门槛，促进AI知识普及。
- 论文公开站arXiv
输入凸神经网络L_p-Lipschitz常数的参数化复杂度及Zonotopes上L_p-范数最大化
Parameterized Complexity of $L_p$-Lipschitz Constants for Input Convex Neural Networks and $L_p$-Norm Maximization over Zonotopes
摘要显示，该研究探讨了两层输入凸神经网络（ICNNs）计算L_p-Lipschitz常数的问题，该问题等价于在Zonotope上最大化对偶范数。对于固定的p∈(1,∞)∩Q，在d维Zonotope上最大化L_p-范数是W[1]-难的，且暴力枚举算法在指数时间假设下本质最优。通过二元性，相同难度适用于两层ReLU ICNN的L_p-Lipschitz常数计算。证明先建立L_2情形，再通过泰勒近似推广至任意固定p。该结果解决了COLT'25…
意义：该研究明确了ICNN Lipschitz常数计算的计算复杂性边界，对神经网络的鲁棒性验证和安全性分析有重要指导意义，也为相关算法设计提供了理论依据。
- 论文公开站arXiv
解剖信息神经网络：在损失与架构中编码解剖先验，含导丝诱发主动脉髂动脉变形的SE(3)公式
Anatomy-Informed Neural Networks: Encoding Anatomic Priors in Loss and Architecture, with an SE(3) Formulation of Guidewire-Induced Aortoiliac Deformation
摘要介绍了解剖信息神经网络（AINN），将软解剖先验作为损失中的惩罚项（如分支惩罚），硬解剖先验（如血管连续性）内置于架构和状态表示中，使无效预测在构造上不可能。该方法应用于临床案例：导丝介入时主动脉髂动脉树的变形。通过将血管中心线和导丝路径提升至SE(3)中的曲线，耦合Cosserat杆与血管，使用Wasserstein-2最优传输损失，由2D血管造影训练3D预测。
意义：该工作为医学影像与手术导航提供新范式，利用解剖先验提升模型泛化性，对自主血管内介入导航有重要意义。
- 论文公开站arXiv
TCP_α：用于可靠音乐信息检索的边际控制置信度估计
$TCP_α$: Margin-Controlled Confidence estimation for reliable Music Information Retrieval
深度神经网络常过度自信，即使预测错误也给出高置信度。后验置信度估计通过训练轻量辅助头解决此问题，但现有目标存在歧义。本文提出TCP_α，一种新置信度目标，通过引入边际控制惩罚来分离正确与错误预测的置信度，并证明其分离边际与类别数无关且随惩罚参数单调增加。研究针对不平衡回归的训练策略，并在拉格识别等任务上验证有效性。
意义：为音乐信息检索等任务提供可靠的置信度估计，有助于开发者构建更可信的AI系统，减少因过度自信导致的错误决策。
- 开源项目公开站GitHub
PyTorch：具有强大GPU加速的Python张量与动态神经网络库
pytorch/pytorch — Tensors and Dynamic neural networks in Python with strong GPU acceleration
摘要显示，PyTorch是一个开源的机器学习库，提供张量计算和动态神经网络构建功能，并具有强大的GPU加速能力。该项目在GitHub上拥有超过10万星标，是深度学习领域广泛使用的框架之一。
意义：PyTorch是AI开发者的核心工具之一，其动态图和GPU加速特性对研究和生产部署至关重要，星标数反映其社区影响力和可靠性。
