机器学习：2025–2026 年度综述

对 arXiv cs.LG 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 168 篇论文 的细读整理，组织为 46 章，按该领域的研究子方向描绘这一年的全貌。

全书框架（年度产出占比）：

• 强化学习与时间序列预测 (30.4%) — 本子领域聚焦将深度强化学习与基于图的方法应用于动态时序数据、多智能体协同与时间序列基础模型。
• 物理信息与可解释预测建模 (15.8%) — 本领域处理将物理约束与可解释性融入机器学习模型，以完成复杂预测、风险评估与科学发现任务。
• 联邦学习与在线决策 (13.2%) — 本子领域探索分布式学习范式，包括联邦学习、知识蒸馏，以及异构数据条件下的在线策略优化。
• 自主系统中的生成式 AI 与因果发现 (9.7%) — 本方向研究扩散模型、因果推断与自主智能体控制，应用于药物发现、导航与复杂系统仿真。
• 大语言模型与智能体推理 (9.2%) — 本热点聚焦大语言模型的部署、评估与增强，关注推理能力、智能体框架与基准测试。
• 视觉-语言模型与合成数据生成 (5.6%) — 本子领域研究视觉-语言模型的训练与应用、上下文学习，以及面向可扩展 AI 的合成数据生成与评估。
• 不确定性量化与域适配 (4.8%) — 本领域聚焦估计不确定性、使模型适配域偏移，并利用集成或检索方法实现稳健泛化。
• Transformer 架构与符号回归 (3.1%) — 本子领域考察 Transformer 机制、注意力效率的理论与实践，以及符号回归在物理科学中的应用。
• 表示学习与层次聚类 (2.7%) — 本方向探索分子、几何与网络数据的潜空间表示、自监督对比学习与层次结构。
• 参数高效微调与特征选择 (1.4%) — 本子领域处理高效模型适配技术，如低秩适配、权重剪枝，以及高维空间中的特征选择。
• 高效推理与贝叶斯压缩 (1.1%) — 本领域聚焦通过压缩、剪枝与贝叶斯方法优化资源受限环境下的模型推理速度与体积。
• 对抗鲁棒性与安全 (0.6%) — 本子领域研究对抗攻击、数据投毒与规避技术的防御，以确保机器学习系统的安全与鲁棒性。
• 评估框架与预测控制 (0.6%) — 本方向为 AI 系统发展系统化评估指标、控制策略与可靠性评估，特别是在交通与对话场景中。
• 量子机器学习与主动学习 (0.3%) — 本细分领域探索量子计算与机器学习的交叉，包括量子电路仿真与带噪标签的主动学习。

每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。