多变量时间序列异常检测长期依赖重建残差，但残差只说明一段观测能被还原，不说明各通道之间是否仍像正常时那样互相解释。CLOSURE 把可重建性与跨通道一致性拆成两个各自用正常数据训练的预测任务：一路用离散正常基记忆条件化的扩散重建器打分，另一路让每个通道只由其余通道预测，再用正常数据校准把两路分数合成。在 SMD、MSL、SMAP、SWaT、PSM 五个公开基准上，其 Aff-F1 均高于所列方法，其中 SMD 为 88.13。
连续神经记录中的状态边界搜索（GSBS）此前每评估一个候选边界都要重建状态模板、重算相关，跨记录和参数设置的分析因此很贵。HP-GSBS把匹配目标改写为可加的时间区间贡献，并用可复用的相关统计量计算t距离，配合流式候选归约、顺序局部精修和活动块复用，提供CPU、PyTorch CUDA与Triton三条执行路径。在七组受控负载、每组两种输入实现下，同输入中位加速为154至1730倍，全部168次优化执行复现了完整参考边界历史与所选状态数，t距离最大绝对差为1.88×10⁻¹¹。
AffectWorld把情绪当作驱动未来世界变化的因果变量来评测世界模型，五个当前最好模型在1498段日常视频上世界状态变化得分只有0.100–0.280，反事实情绪敏感度仅0.027–0.070。
语音识别解码不必再逐字等待：一个复用目标模型内部声学与解码器特征的轻量草稿模块，在 Whisper 与 Conformer 上分别带来最高 1.9 倍和 2.4 倍的无损提速。
Nullify 提出一种免训练、不改权重的推理期激活引导方法：用 IDK 对比激活构造遗忘方向，并用零空间投影把修正限制在保留知识激活的正交子空间内，从而在 TOFU 与 MUSE 上取得与重训练相当的遗忘质量，同时几乎不损失模型效用，且计算与显存开销远低于梯度类基线。
该工作提出EMFA，将失败的多智能体执行轨迹重构为结构化依赖表示，显式建模级联错误传播与持续交互循环，经双分支候选筛选与反事实验证定位“决定性错误”（即修正后能恢复失败执行的智能体–步骤对）；在Who&When基准上取得最优步骤级归因准确率，较此前最佳在Hand-Crafted与Algorithm-Generated子集上分别提升3.45与4.40个百分点，智能体级准确率在Hand-Crafted子集最优、在Algorithm-Generated子集保持竞争力。
该工作提出 FedLore：在每一轮内共享一个低秩优化基座、跨轮刷新该基座，从而在低秩坐标中实现精确聚合并消除所识别的投影偏差，同时让累积模型更新超过每轮秩预算；作者刻画了聚合偏差，并在全局梯度覆盖条件与标准平滑性、方差假设及有界梯度异质性下为投影 SGD 变体建立 O(T-1/2) 平稳性界；在视觉与语言任务（含联邦预训练）上，FedLore 超过所评估的低秩适配器基线，匹配或超过全参数训练，并降低通信与优化器状态内存。
该工作提出 Dino U-Net：以冻结的 DINOv3 基础模型为编码器，配合双分支 DINO Adapter 与保真感知投影模块（FAPM），在七个公开医学影像数据集（内镜、超声、显微、MRI、眼底、CMR 等模态）上取得优于七种基线方法的分割表现，并显示性能随骨干从 S 扩展到 7B 而持续提升。
这篇综述系统梳理了AI驱动的药物-靶点相互作用（DTI）预测方法，从经典分子结合理论（锁钥模型、诱导契合、构象选择）出发，归纳了二元相互作用分类、结合亲和力回归与带不确定性评估的多任务预测等任务设定，整理了药物与靶蛋白的多模态表示（分子序列、图结构、3D构象、理化性质、生物扰动谱、蛋白序列与结构、生物医学知识网络）及交互标签与辅助数据资源，并按输入表示、编码器架构、交互建模机制、表示学习与预训练、学习目标、预测输出、数据获取或优化策略、泛化设定等正交维度对代表性方法进行比较，最后概述了其在疾病靶点挖掘、化合物虚拟筛选、亲和力与选择性优化、复合物结构预测及工业药物研发管线中的应用，并讨论了数据分
已读完全部报道