推荐一个顶会顶刊关注度高的方向：时间序列因果推断。这方向是当前机器学习和统计学交叉领域的热点，正处于高产、高影响力的发展阶段，非常值得投入。就看近期的一些成果，比如ICLR 2025的CausalRivers，当前规模最大的真实世界时间序列因果发现基准套件！从创新思路方面来看，它属于设计/增强评估与基准，这类方向很适合想冲顶会的朋友尝试。另外还有一些思路，比如轻量级方法改进、交叉应用，更适合想快速

论文提出自适应多通道图卷积网络AM-GCN，通过注意力机制自适应学习不同源信息的权重，大幅提升图卷积网络整合节点特征和拓扑结构的能力。

字节电商视觉算法工程师一面复盘

过去几年里，时空图神经网络STGNN的论文数量呈现出爆发式增长。只要翻开最新的学术期刊，你会发现它们已经悄悄渗入各个领域，比如发表于ESWA的两篇：一篇利用精细的时空图网络来建模多传感器数据，预测复杂工况下的轴承温度，属能源；另一篇将STGNN应用于预测球体撞击多层显示屏的物理量演化，属材料。如果你读的更深入，就会发现这俩也展现了STGNN的创新趋势：不再只是交通预测的利器，而是开始解决那些需要同

最近观察了AGI的发展，作为其重要技术路径之一的多任务强化学习MTRL热度暴涨，吸引了很多大佬和机构入场，仅2026年初，就有一批相关论文被顶会接收。细数是数不过来了，就说几个瞩目的：字节跳动的OneReward，一个奖励模型统一多任务图像生成，效果全面超越PS！Meta AI的文章更是首次揭示了多任务RL后训练中一个被忽视的现象：梯度不平衡。可以看出来，MTRL之所以这么火，很大原因在于它能提供

最近刷了不少PINN相关的论文，发现个明显的变化，越来越多的工作开始结合强化学习搞创新。以前我们都是关注如何更精确、更高效地求解一个特定的物理方程，得到问题的静态答案，也就是求解。现在因为AI4S强劲的发展势头，对模型动态、高维的序列决策能力要求更高，而这正是强化学习的专长。于是“PINN+强化学习”这方向开始热起来了，paper也肉眼可见地密集。今天我们就简单做个盘点，梳理一波这方向近期有代表性

最近《Nature》上有一篇多尺度强化学习的新工作，讲的是大脑中的多时间尺度强化学习，具体细节可看下文解析。这方向是目前复杂系统智能化的核心技术，凭借分层决策与动态适应性在工业界有广泛的应用前景。相信有些论文er已经发现了，这些优势也契合了当下的趋势（AI正不断向复杂场景渗透），可以预见，多尺度RL即将迎来爆发式增长机遇。近期的一些高区成果也表明，这方向已跻身顶会顶刊录用率攀升的热门赛道。为帮助各

近日顶刊IEEE TSE（一区）上还发表了相关成果，提出了一种基于约束强化学习的PIRL方法，计算速度大幅提升。PIRL属于PIML与强化学习的交叉领域，结合了物理规律的严谨性与强化学习的灵活性，在数据稀缺领域（如航空航天）、动态复杂系统（如湍流控制）、工业自动化等场景表现相当突出。所以这方向无论，当下还有很多创新思路可搞，比如...没idea的同学可考虑。本文整理了物理信息强化学习，有代码的都贴

OpenAI最近的新模型o1大家关注了吗？体验了一下雀食功能强大，逻辑和推理能力基本碾压GPT4o。研究了一下OpenAI给的技术博客，o1采用的是的策略，通过强化学习进行训练，成功突破LLM推理极限。这种策略一直以来都挺火，结合了俩热点，不仅实现了更高效的学习和更强的泛化能力，也减少了训练成本，提高系统的整体性能。。最近也有了不少阶段性的成果，比如ICLR 2024的Dynalang以及AMAG

最近大热的KAN终于搭上CNN了，有新的研究将卷积的经典线性变换更改为每个像素中可学习的非线性激活函数，提出了开源KAN卷积CKAN。这是一种。众所周知，KAN有着训练速度慢的局限，通过引入卷积神经网络，我们可以利用CNN高效的空间处理能力来优化KAN的结构，从而提升训练速度。这方面还有一个效果更优的成果KonvNeXt，遥感图像分类领域的，通过将KAN层与多个预训练的CNN模型结合，实现了98.