圖書信息
內容簡介
對 arXiv cs.LG 分類的年度綜述，涵蓋 2025 年 9 月 至 2026 年 8 月 期間發表的研究。本卷基於對 168 篇論文 的細讀整理，組織為 46 章，按該領域的研究子方向描繪這一年的全貌。
全書框架（年度產出佔比）：
- 強化學習與時間序列預測 (30.4%) — 本子領域聚焦將深度強化學習與基於圖的方法應用於動態時序數據、多智能體協同與時間序列基礎模型。
- 物理信息與可解釋預測建模 (15.8%) — 本領域處理將物理約束與可解釋性融入機器學習模型，以完成複雜預測、風險評估與科學發現任務。
- 聯邦學習與在線決策 (13.2%) — 本子領域探索分佈式學習範式，包括聯邦學習、知識蒸餾，以及異構數據條件下的在線策略優化。
- 自主系統中的生成式 AI 與因果發現 (9.7%) — 本方向研究擴散模型、因果推斷與自主智能體控制，應用於藥物發現、導航與複雜系統仿真。
- 大語言模型與智能體推理 (9.2%) — 本熱點聚焦大語言模型的部署、評估與增強，關注推理能力、智能體框架與基準測試。
- 視覺-語言模型與合成數據生成 (5.6%) — 本子領域研究視覺-語言模型的訓練與應用、上下文學習，以及面向可擴展 AI 的合成數據生成與評估。
- 不確定性量化與域適配 (4.8%) — 本領域聚焦估計不確定性、使模型適配域偏移，並利用集成或檢索方法實現穩健泛化。
- Transformer 架構與符號迴歸 (3.1%) — 本子領域考察 Transformer 機制、注意力效率的理論與實踐，以及符號迴歸在物理科學中的應用。
- 表示學習與層次聚類 (2.7%) — 本方向探索分子、幾何與網絡數據的潛空間表示、自監督對比學習與層次結構。
- 參數高效微調與特徵選擇 (1.4%) — 本子領域處理高效模型適配技術，如低秩適配、權重剪枝，以及高維空間中的特徵選擇。
- 高效推理與貝葉斯壓縮 (1.1%) — 本領域聚焦通過壓縮、剪枝與貝葉斯方法優化資源受限環境下的模型推理速度與體積。
- 對抗魯棒性與安全 (0.6%) — 本子領域研究對抗攻擊、數據投毒與規避技術的防禦，以確保機器學習系統的安全與魯棒性。
- 評估框架與預測控制 (0.6%) — 本方向為 AI 系統發展系統化評估指標、控制策略與可靠性評估，特別是在交通與對話場景中。
- 量子機器學習與主動學習 (0.3%) — 本細分領域探索量子計算與機器學習的交叉，包括量子電路仿真與帶噪標籤的主動學習。
每個子方向均通過三章展開論述——它如何提出自己的問題、其關鍵結論的強度，以及它開放的爭論與前沿，從而讓讀者獲得該領域今年實際產出的可溯源圖景。
