由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
ClinGuard：一个可靠、透明且可审计的临床协调治理框架
原标题：ClinGuard: a governance framework for reliable, transparent, and auditable clinical coordination
作者：Kaiyuan Wu; Aditya Nagori; Nicoleta J. Economou; Robert M. Califf; Rishikesan Kamaleswaran
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：ClinGuard 是一个模型无关的治理框架，它将临床协调视为受患者范围和政策约束的交易而非自由文本。一个独立的哨兵层验证和管理代理提议的操作，在需要时进行升级，并通过有限权限的连接器执行批准的操作。每个交易都链接到一个防篡改审计记录，而结果监控器告知未来的自治决策。使用MIMIC-IV-FHIR和skilled-nursing-facility安置，我们在本工作中区分回顾性演示和提议的前瞻性评估。
原文链接
TESSA：面向中小企业在欧盟AI法案下的治理导向型自定义GPT的设计、实现与评估
原标题：TESSA: A Governance-Oriented Custom GPT for SME Guidance under the EU AI Act: Design, Implementation, and Evaluation
作者：Chalisa Veesommai Sillberga; Kai-Kristian Kemella; Pekka Sillberga; Katri Harjuveteläinenb; Mika Saaria; Pekka Abrahamssona
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：生成式人工智能的日益采用带来了新的机遇，同时也提出了人工智能治理和监管方面的挑战，特别是对于在欧洲联盟人工智能法案（EU AI Act）框架下运营的小企业和中型企业（SMEs）而言。为了支持人工智能治理教育，本研究开发了TESSA，在OpenAI自定义GPT环境中的一种以治理为导向的教育工具。采用设计科学研究方法，TESSA通过治理一致性评估、人类专家评审和一致性测试，在100个基准场景下被评估为对比基线ChatGPT的性能初步的LLM辅助评估显示TESSA的治理一致性率为90%，而基线ChatGPT为83%；独立验证则分别由AI法规从业者得出71%和70%。人工专家评审表明，两个系统均提供了通常较强制控指导，而TESSA在重复执行过程中保持了高度一致性。研究结果表明，治理导向的定位可以支持结构化、实用且稳定的AI辅助合规指导（SMEs）。本研究贡献了(i)一个面向治理的定制GPT工具用于AI治理教育,(ii)一个人工验证的监管更新机制,(iii)一个多维度评估框架用于面向治理的AI工具。
原文链接
帆船赛：企业AI代理的跨领域测量框架及故障注入工具(REGATTA)
原标题：REGATTA: A Cross-Domain Measurement Framework and Fault-Injection Harness for Enterprise AI Agents
作者：Luong Tuan Thanh; Abhijit Sanyal
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：企业AI代理评估需要证据证明测试套件是否暴露了指定的故障以及其参考规则是否可靠。我们介绍了REGATTA（通过两阶段测试和保证进行监管评估），一个包含三个工具的测量框架。一份包含125项的引用来源清单跨越了美国和越南五个行业和地区单元。一个包含25个故障的语料库涵盖了五个类别，并且在设计和执行阶段，测试套件对套件级故障检测打分。We 对来自三个 LLM 生成器的 180 组生成的数据（5,400 scenarios）进行了四项测量诊断分析。来源审计发现有24个项目错误表述现行规则，另有46个附加引用缺陷，31个项目仅有非约束性、无法识别或无法验证的来源，并且有24个项目已核实无误只有最初被标记为物质的项目才接受了作者审核；所有24个干净的数据行仅接受了AI审核。结果因此描述的是书面文件中的仪器，而不是法律合规性。项目覆盖率不同，执行阶段故障配置文件在生成器之间保持稳定，并且历史阶段对66--69％的故障套件对达成一致。A 当前型号的美国保险复测发现阶段分歧高于重复执行变化，但阶段一致率低于汇集机会水平，未能通过 V3 的较低不平等标准。盲审由一名专家支持设计阶段评判协议(κ=.72, 95%区间[.52,.88])；40个现行模型执行探针给出κ=.75。工具、审计和可重用代码已发布。
原文链接
PsyCLIENT：通过对话轨迹建模进行客户模拟以供心理健康咨询实习生练习和模型评估
原标题：PsyCLIENT: Client Simulation via Conversational Trajectory Modeling for Trainee Practice and Model Evaluation in Mental Health Counseling
作者：Huachuan Qiu; Zhaoming Chen; Yuqian Chen; Yuan Xie; Yu Lu; Zhenzhong Lan
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：基于大型语言模型的客户模拟为新手辅导员培训、咨询对话合成以及自动化咨询系统的交互评估提供了一种可扩展的方法。然而，现有方法受到资料多样性不足，行为基础薄弱以及缺乏用于模拟咨询客户的开放中文资源的限制。我们提出PsyCLIENT，一个框架，该框架根据客户资料、对话历史以及在每个客户回合中指定目标行为和内容限制的会话轨迹来调整模拟客户的回应。我们还构建了PsyCLIENT-CP，一个包含120个中国客户档案的数据集，涵盖60个咨询主题。评估涉及24名专业咨询师显示，PsyCLIENT获得的感知真实性和培训效用评分高于对比方法。在一项独立的来源识别研究中，PsyCLIENT对话被误分类为人客交互的频率高于基线生成的对话。这些结果表明，对话轨迹建模可以将静态的客户档案转化为行为引导的、动态展开的咨询互动。
原文链接
随机初始化作为时间序列基础模型的基准线
原标题：Random Initialization as a Baseline for Time Series Foundation Models
作者：Pinar Sungu Isiacik; Georgiana Ifrim
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：时间序列基础模型（TSFMs）使用自监督预训练来学习用于下游任务的可重用表示，例如多变量时间序列分类（MTSC）。我们通过比较来自四个TSFM家族的七个公开发布的实例与其架构匹配的随机初始化对照组在UEA MTSC存档上的表现，来考察预训练权重本身之外对模型贡献的程度。对于每个实例，使用四种分类器在冻结表示上评估五个随机初始化：岭分类，逻辑回归，RBF SVM 和 随机森林。在由于计算限制而进行特定模型的排除之后，该研究包括了183对数据集级别的比较。预训练提高了所有七个实例的平均准确率，但增益较小，范围从1.43到5.19个百分点，总体平均改善了2.58个百分点。七个单实例Wilcoxon符号秩检验中有三个的原始p值低于0.05，但在Holm校正后只有NuTime仍然显著。所有183对的二次汇总检验给出p<0.001，而校正后的每例检验仍然是主要证据。我们还将ROCKET、Hydra和Quant进行了比较，这些方法在无需大规模预训练的情况下仍然具有竞争力。这些发现表明，MTSC评估应该区分预训练权重的影响和基础架构本身的影响，并且应该包括架构匹配的随机初始化和强大的非预训练基准。
原文链接
机器学习分子间势能的组合泛化基准测试
原标题：Benchmarking Compositional Generalisation for Machine Learning Interatomic Potentials
作者：Amir Masoud Nourollah; Irtaza Khalid; Stefano Leoni; Steven Schockaert
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：机器学习原子间势在计算化学和材料科学中发挥着核心作用，使从分子动力学模拟到药物设计和材料发现的应用成为可能。最近的方法可以高精度估计原子间的力，但它们能否推广到之前未见过的分子中仍然不清楚。他们学习化学的组合结构，捕捉分子片段及其组合如何决定性质，还是主要学习插值特定于训练样本的模式？为了解决这个问题，我们提出了一组基准任务，包括四项需要某种形式的组合泛化的任务。在每个任务中，模型都在训练过程中未见过的分子上进行测试，但训练数据的选择使得对于学习了基本物理原理的模型来说，推广到测试示例应该是可行的。我们的实证分析表明，所考虑的任务对于最先进的模型来说极具挑战性，在分布外示例上的错误率通常比在分布内示例上高一个数量级，即使使用了预训练的分子数量达数百万的基础模型也是如此。
原文链接
面向职业活动识别的可部署穿戴式IMU系统的研究
原标题：Towards Field-Deployable Wearable IMU Systems for Occupational Activity Recognition
作者：Ihsan Ul Haq; James Brusey; Farnad Nasirzadeh; Chandan Karmakar
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：可穿戴惯性测量单元(IMU)系统在建筑工人人体活动识别(HAR)中通常报告的总体准确率超过95％，很少在真正的受试者独立(留一受试者法(LOSO))评估下低于此水平，掩盖了决定实际部署性能的个体差异。使用VTT-ConIoT基准数据集，我们据我们所知，进行了对该数据集的首次系统配置敏感性分析：六个分类器在五个传感器放置位置和三种窗口大小下，在单一LOSO协议、个性化校准试点以及基于表格GAN和标准时间序列增强的有效比较中进行测试。每个主体的留一交叉验证准确性对于主要多传感器配置（16类），范围从61.9％到88.7％（均值77.5％），跨度为27个百分点，尽管所有数据均为实验室收集。多传感器融合和更长的时间窗口都能提高准确性；标准的数据增强方法带来小幅且一致的提升，而条件表格生成对抗网络（CTGAN）数据增强则会通过展示分布保真机制来损害准确性；个性化校准从仅30%的个人数据中恢复了最弱参与者16.8个百分点的性能。这些发现为职业身体传感器网络向现场部署扩展提供了基于证据的配置指导
原文链接
神经网络可解释性后验特征选择层
原标题：Post-Hoc Feature Selection Layer for Neural Networks Interpretability
作者：João Kenji Suwa; João Pedro Silveira e Silva; Bruno Iochins Grisci
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：复杂的神经网络的可解释性仍然是一个关键挑战，尤其是对于已经部署在高风险领域的模型。为了解决这个问题，我们将特征选择层（Feature Selection Layer，FSL）适应为在训练后优化特征权重，我们称这种变体为事后FSL（post-hoc FSL）。我们的方法将FSL重新定义为一个轻量级的可训练模块，该模块整合到已经在表格数据集上冻结的预训练模型中，以突出原始模型认为最重要的特征。此事后分析FSL通过基于原始模型学习到的输出微调其权重来学习特征相关性。关键在于，这一过程是非侵入性的，操作时不改变原始模型的架构或其学习参数。我们使用了统计和视觉指标进行实验，包括准确率、F1值、召回率、精确率、加权t-SNE以及轮廓分数，并且还分析了后验FSL在高维合成数据集和真实世界表格数据集上的稳定性。我们使用这些指标比较了后验FSL特征加权方法与原始嵌入式FSL和其他后验可解释性方法，例如Integrated Gradients（集成梯度）、Noise Tunnel（噪声隧道）、DeepLIFT（深层提升）、Gradient SHAP（梯度SHAP）和Feature Ablation（特征消融）。实验结果表明，事后FSL特征加权方法成功地识别了不同数据集中的相关特征，在保持原始神经网络的预测能力的同时增强了其可解释性。
原文链接
重新思考大语言模型中的分子文本表示：一项实证研究
原标题：Rethinking Molecular Text Representations for LLMs: An Empirical Study
作者：Arun Raja; Garrett M. Morris; Kian Ming A. Chai
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：大型语言模型（LLMs）越来越多地用于分子任务，但仍然不清楚应该使用哪种分子表示形式。我们提出了一套系统性基准测试MolRepBench，用于评估大型语言模型在九种表示方式和八项化学任务上的分子能力。我们对五个模型家族中的16个大语言模型进行基准测试，包括推理和非推理变体、化学专业的大语言模型以及封闭前沿模型。性能强烈依赖于表示方法，并没有单一的表示方法在所有任务中都胜出，尽管化学标记语言(CML)是最好的，其次是MolJSON，InChI和规范SMILES明确的结构化文本表示（CML 和 MolJSON）主导了结构任务；IUPAC 主导了语义任务，在所有 16 个大语言模型中赢得了分子检索；而尽管 SMILES 变体在预训练中普遍存在，它们很少是最优的选择。化学专业模型在SMILES上表现良好，但以结构化文本表示的大退化为代价，表明仅基于SMILES的评估奖励了不具泛化的专业化。使用LLM作为裁判，我们发现IUPAC产生的正确分子生成的比例最高。通过标记化审计、线性探测和注意力机制的研究表明，模型内部的表示方式是不同的；例如，结构化的表示需要在整个分子范围内分配更多的注意力。我们的结果反对表示不变的评估，并推动了基于LLM的化学中任务感知表示路由的发展
原文链接
基于成本意识的LLM支持的服务单分类拒绝策略(Cost-Aware Abstention for LLM-Based IT Ticket Classification)
原标题：Cost-Aware Abstention for LLM-Based IT Ticket Classification
作者：Sachin Gupta
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：错误的IT支持工单自动路由花费可能超过人工分类。我们评估成本感知拒绝作为一种离线的成本条件准备度评估：在明确的成本下，在校准数据上选择一个路由策略，然后在独立的测试数据集上对该固定策略进行一次评估。在包含47,837张票据、八类数据的公共语料库上，我们比较了四个训练过的非LLM分类器与四个大型语言模型在零样本和少量样本提示下的表现。在示例成本模型（c_ok, c_triage, c_wrong）= （0, 1, 5）下，TF-IDF 结合逻辑回归并在校准上选择阈值为 0.60 可以将测试成本从 0.763 减少到 0.472，相对减少了 38.1％（配对比-bootstrap 95％ CI [35.7%，40.4％]），同时将错误路径从 15.3％ 降低至 3.5％。冻结校准选择的策略也在事后成本参数分析中，在16个设置中的14个中击败了始终路由和始终延期策略。最强的提示配置在分层的1,000张票测试子集上达到了0.477的准确率，相比之下，微调后的DistilBERT在同一组票上的准确率为0.879。等张法降低了预期校准误差而不可靠地改善了分辨力：GPT-4o-mini 少样本在再校准前和再校准后有一个置信值且正确性 AUROC 0.500.因此我们报告正确率AUROC以及考虑平局的风险覆盖率，并且还报告ECE在分析得出的盈亏平衡概率0.80时，七个提示配置拒绝所有票证；Haiku少量样本路线仅19/1,000。一个仅限LLM的协议控制和边际／熵拒绝基准进一步将校准与歧视分离。研究范围限于该数据集、提示设计、模型终点以及示例成本；这项工作是一个评估框架，而不是新的拒绝算法或通用部署认证。
原文链接
DriveMLP: 在自动驾驶中训练策略胜过模型复杂度
原标题：DriveMLP: When Training Strategy Outperforms Model Complexity in Autonomous Driving
作者：Alessandro Canevaro; Julian Schmidt; Hang Yu; Ye Jin; Sajad Marvi; Georg Martius; Julian Jordan
期刊：arXiv每日人工精选
出版时间：2026/10/21
摘要：在自动驾驶（AD）中，学习在闭环执行下仍保持可靠的运动规划策略是核心挑战。模仿学习（IL）可以很好地扩展到大型AD数据集上，但存在分布偏移、因果混淆以及闭环执行下的累积错误问题。相比之下，强化学习（RL）通常需要手工设计的基于规则的奖励以及大量的模拟。我们研究了一个简单的闭环IL框架，该框架纯粹使用RL作为优化工具，并通过源自日志专家数据的轨迹距离奖励进行引导。我们将这一训练策略称为专家引导的强化学习（EGRL）。通过一项受控的经验研究，我们发现证据表明训练过程而非模型大小和复杂性占据了性能提升的相当大的部分。我们随后介绍了DriveMLP，这是一个使用EGRL训练的轻量级MLP策略，作为这些发现的一个简单实例。它在nuPlan Val14 Reactive基准测试中获得了86.51的分数，比之前的最佳IL规划器（Flow Planner）提高了3.2分，推理速度超过快15倍。代码可在以下网址获取：https://github.com/alessandro-canevaro/DriveMLP 。
原文链接
DEFT：用于实时建模分支离散弹性杆的可微分弹性杆（用于模拟叉状DLOs）
原标题：DEFT: Differentiable Branched Discrete Elastic Rods for Modeling Furcated DLOs in Real-Time
作者：Yizhou Chen; Felicia Sang; Shicheng Peng; Xiaoyue Wu; Yeheng Zong; Yuzhen Chen; Anran Li; Bohao Zhang; Ram Vasudevan
期刊：arXiv每日人工精选
出版时间：2026/10/21
摘要：自主线束装配需要对分支电缆进行精确可靠的操控，而这些电缆的变形难以预测。单个可变形线性对象（DLOs）的模型不能直接扩展到分支可变形线性对象（BDLOs），因为其节点使各分支之间的弯曲、扭转和拉伸相互耦合。我们介绍了一种用于实时建模分支状离散弹性杆的框架，称为可微离散分支弹性杆用于实时建模分支状离散弹性杆（DEFT），该框架结合了可微物理和学习，实现了准确的BDLO动力学，实时推断以及灵巧的操作规划。DEFT 引入了动量守恒的节点约束来捕捉跨支路耦合，支持中间结构抓取，使用解析梯度和支路并行计算实现高效的参数学习和推理，并采用残差图神经网络（GNN）减少长期预测误差。六种不同拓扑结构和材料的物理BDLO的实验展示了配方级别的泛化能力：相同的配方和残差-GNN架构无需重新设计即可应用，并且对于每个BDLO分别拟合物理参数和学习到的参数。DEFT优于现有的基于物理的方法和基于学习的方法，在五秒递归开环预测中实现了0.93-2.14厘米的均方根误差，并且推断速度超过100赫兹。在实际规划中，DEFT 在形状匹配方面实现了36/40的成功率，在父枝插入方面实现了40/40的成功率，在子枝插入方面实现了16/20的成功率。这些结果展示了准确、高效的自主线束操作BDLO预测（与规划兼容）。项目网站：https://roahmlab.github.io/DEFT/.
原文链接
真实的PMID，错误的论文：生物医学主张验证代理的设计方案
原标题：Real PMIDs, Wrong Papers: Harness Design for Biomedical Claim-Verification Agents
作者：Mohammed Saqlain
期刊：arXiv每日人工精选
出版时间：2026/10/21
摘要：文献检索语言代理正在成为生命科学领域科学助手的标准组件，然而几乎没有受控证据表明它们的哪些部分真正发挥作用。我们在生物医学声明验证（SciFact）上运行了受控消融实验，唯一工具是实时PubMed API。固定主干和输出格式不变，我们比较了四种方法：闭卷作答，使用主张作为查询的一次性检索，一种采用ReAct风格的代理自行编写PubMed查询，以及给定金标准摘要的预言家，每种方法都配有两条高效前沿主干。朴素的一次性检索仅找到了6％的主张对应的金标准论文，并且将过度自信的错误转化为弃权而不提高准确性。让模型自行提出查询将其黄金召回率提高三倍，并产生最佳判决（62％准确率对比虽然在我们的样本量下这些差异并不显著，并且代理仅使用了不到一半的搜索预算。49-59％对于其他现实的背带)使用黄金抽象数据时，相同的模型达到79-86％的准确率，显著的17-24个百分点差距表明检索而非推理是主要瓶颈。最终，引用审核表明封闭模型引用的PubMed ID几乎总是存在（327/335），但几乎从不相关：一个跨家族LLM法官仅对327个现有引用中的3个认为与主张相关，而搜索代理生成的引用中有67％被认为相关。存在性检查因此不足以作为科学代理的保护措施。我们发布了代码、提示以及所有缓存的工具调用至https://github.com/saqlain2204/real-pmids-wrong-papers。
原文链接
基于扰动一致性和置信度校准的增强型在线测试时间适应性脑电运动想象记忆辅助系统
原标题：Memory-Augmented Online Test-Time Adaptation for EEG Motor Imagery via Perturbation Consistency and Confidence Calibration
作者：Kunkun Zhang; Kehao Wu; Zhitao Chen; Haigen Hu; Qianwei Zhou
期刊：arXiv每日人工精选
出版时间：2026/10/21
摘要：最近，基于脑电图(EEG)的脑--计算机接口(BCIs)作为便携式神经测量系统获得了关注。然而，这些仪器的实际部署常常受到非平稳性和跨受试者分布变化的阻碍，导致显著的受试者间不一致性。现有的适应方法仍然不适用于实时测量场景，因为它们通常需要离线访问源数据或聚合的目标数据。为了解决这些挑战，本文提出了带有扰动一致性和置信度校准的记忆增强在线测试时间适应（OTTA）（MOPC），这是一种无源框架，旨在提高脑机接口设备的可靠性。MOPC使测量系统能够在推理阶段实时更新其解码参数，从而实现单次通过适应而无需访问敏感源数据。我们引入随机掩码扰动以强制预测在固有的EEG信号噪声和采集伪影面前保持一致。此外，设计了一种置信度校准的重新加权损失，以整合特征空间相似性，有效缓解连续信号采集过程中的不可靠伪标签和类别不平衡问题。为了确保系统稳定性并防止灾难性遗忘已建立的神经模式，引入了一个轻量级的记忆模块来在严格的延迟预算内规范参数更新。在BCI IV IIb和OpenBMI数据集上评估，MOPC达到了最先进的性能，在前者中优于先前的方法2.22％，在后者中优于先前的方法3.67％，同时保持每次试验的适应延迟约为40--60毫秒。本研究提供了一种稳健的、无需重新校准的实时EEG解码解决方案，标志着在实用BCI测量仪器的精度和可用性方面取得了重大进展。
原文链接
纠缠的未来：量子计算在计算机科学中的潜力和挑战
原标题：Entangled Futures: Quantum Computing’s Potential and Challenges in Computer Science
作者：Devki Nandan Jha; Jonte R. Hance; Tomasz Szydlo; Nick Chancellor; Omer F. Rana; Rajiv Ranjan
期刊：arXiv每日人工精选
出版时间：2026/10/21
摘要：量子计算代表了计算的根本转变，承诺解决目前经典计算机无法处理的问题。然而误解仍然存在；量子计算机并不普遍更快，也不能替代经典系统。当前嘈杂中间尺度量子(NISQ)设备面临重大挑战，包括退相干、高错误率和有限的可扩展性。此外，利用量子系统需要重新思考传统计算原则，采用不同的编程模型，并解决量子和经典工作流集成的复杂性，使其在计算机科学中的实际应用既具有挑战性又非平凡。本文从系统层面为计算机科学家、软件工程师和IT专业人士提供了对量子计算的视角，考察了其当前的能力、关键架构和软件挑战以及在混合量子经典环境中实现量子优势的潜在路径。
原文链接
安全且值得信赖的AI代理三支柱治理框架
原标题：A Three-Pillar Governance Framework for Safe and Trustworthy AI Agents
作者：Edward C. Cheng; Jeshua Cheng; Alice Siu
期刊：arXiv每日人工精选
出版时间：2026/10/21
摘要：具备自主决策能力的AI代理引入了与安全、对齐、责任以及人类监督相关的重大挑战。现有的人工在环（HITL）和负责任的人工智能方法提供了重要的基础，但许多仍然分散在系统设计、治理和运营部署中。本文提出了一种通过透明度、问责制和可信性开发安全且值得信赖的AI代理的三支柱(3P)模型和框架。该框架定义了一个进化路径，在此路径中，通过逐步验证、结构化的人员监督和可审计的操作控制逐步引入不断增加的代理自主性。我们进一步描述了该模型如何支持代理生命周期监控、决策追溯性、升级管理和企业代理环境中的人机协作。通过将监督原则与运营机制相结合，所提出的框架为部署与人类意图保持一致的同时又能实现向更高自主性可控进展的AI代理提供了实用基础。
原文链接
