研究人员提出推荐系统密集缩放新方法

一篇题为“多扩展，少收缩：塑造推荐系统中密集缩放的有效秩动态”的论文近日在arXiv平台发布，由Guoming Li等10位研究者共同完成。该研究针对推荐系统中密集缩放过程中的有效秩动态问题，提出了一种新的优化策略。在推荐系统广泛应用的背景下，密集缩放技术对处理大规模数据至关重要，而本方法通过理论分析和潜在实验，旨在提升模型扩展的效率和准确性。这一进展可能为推荐系统在电商、社交媒体等领域的性能优化提供新思路，推动人工智能技术的实际应用。 #推荐系统 #机器学习 #AI #论文发布 #arXiv #科技新闻

经验贝叶斯共形预测新方法发布，针对视觉与语言模型

近日，一篇题为《经验贝叶斯共形预测用于视觉和语言模型》的论文在arXiv学术平台正式提交。该研究由Jiapeng Zeng等五位作者合作完成，于2026年5月22日发表。论文提出了一种创新的经验贝叶斯共形预测框架，旨在提升计算机视觉和自然语言处理中深度学习模型的不确定性量化能力。共形预测技术能够生成具有统计保证的预测区间，从而增强模型输出的可靠性和可解释性。这一方法有望推动人工智能在医疗影像分析、自动驾驶等关键领域的应用，为复杂决策提供更稳健的置信度支持。 #AI #机器学习 #共形预测 #视觉模型 #语言模型 #arXiv #学术研究 #深度学习 #不确定性量化

基于老虎机反馈强化学习的纯探索方法研究

由Zitian Li和Wang Chi Cheung撰写的研究论文《基于老虎机反馈强化学习中的纯探索以获取优良策略》已在arXiv平台发布。该论文聚焦于强化学习中的一个核心挑战：如何在不实际执行策略的情况下，通过纯探索的方式发现一个性能良好的策略。研究探讨了在提供赌博机反馈的环境下，设计高效算法来识别出一个接近最优的策略，为强化学习的理论框架提供了新的见解。 #强化学习 #机器学习 #理论计算机科学 #纯探索 #老虎机 #AI #论文 #学术

新型强化学习框架在最坏情况下表现优于传统方法

一项由Manish Aryal等研究人员提出的新研究表明，采用基础设施贝叶斯框架的强化学习智能体，在最坏情况下的鲁棒性方面显著超越了经典强化学习方法。该研究论文已提交至arXiv平台。传统强化学习在面对对抗性环境或极端不确定性时，其性能可能急剧下降。而此项新工作引入的Infra-Bayesian框架，旨在更严谨地处理环境模型中的不确定性，从而提升了智能体在面临最不利情况时的决策稳定性和可靠性。这一进展有望推动强化学习技术在自动驾驶、机器人控制等高风险、高要求场景中的应用。 #强化学习 #人工智能 #机器学习 #AI #算法 #鲁棒性 #科技研究

研究人员提出新型多变量时间序列异常检测方法 CALAD

该论文介绍了一种名为 CALAD 的创新性方法，用于检测多变量时间序列数据中的异常。该方法结合了对比学习与通道感知机制，旨在更有效地从复杂、高维的时间序列数据中识别异常模式。论文由 Jaehyeop Hong 等作者撰写，已于 2026 年 5 月 22 日提交至学术预印本平台 arXiv。这一研究为工业监控、系统运维等依赖时序数据分析的领域提供了新的技术思路。 #时间序列分析 #异常检测 #机器学习 #对比学习 #arXiv #人工智能 #数据科学

阿基米德Copula推理新方法论文在arXiv发布

近日，一篇题为《通过Taylor-Mode AD进行阿基米德Copula推理》的论文在学术预印本平台arXiv公开。该研究由Cambridge Yang等人撰写，提出利用Taylor-Mode自动微分技术来推断阿基米德Copula模型。阿基米德Copula是统计学中广泛使用的依赖结构建模工具，常用于金融、生物统计等领域中多变量关系的分析；而Taylor-Mode AD作为一种高效的自动微分方法，能精确计算高阶导数，有望提升推理过程的计算精度和效率。论文于2026年5月22日提交，这一进展预计将为统计学、机器学习及相关应用领域的研究提供新工具和思路，推动复杂依赖模型的进一步发展。 #统计学 #机器学习 #自动微分 #论文 #arXiv #Copula #推理 #研究

When Determinants Are Not Enough: Private Rare Switching

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Xingyu Zhou [ view email ] [v1] Fri, 22 May 2026 01:09:14 UTC (34 KB) Full-text links: Access Paper: View a PDF of the paper titled When Determinants Are Not Enough: Private Rare Switching, by Xingyu Zhou View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-05 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle

Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

渐进惩罚潜在动力学研究发布，提升机器学习模型“做梦”效率与稳定性

一项最新的学术研究提出了一种名为“渐进惩罚潜在动力学”的新方法，旨在改善机器学习模型中基于世界模型的“做梦”过程。该研究由Romil V. Sonigra等人完成，其核心思想是通过引入梯度惩罚机制，使潜在空间中的动力学演化更加平滑。这种方法旨在让模型在模拟想象或生成数据时更加高效、稳定，减少训练过程中的不稳定性，并提高采样质量。该研究于2026年5月在arXiv平台上提交，为提升强化学习、生成模型等领域的训练效率与可靠性提供了新的技术思路。 #AI #机器学习 #学术论文 #arXiv #强化学习 #世界模型 #深度学习 #人工智能

深度隐含偏置研究论文在arXiv发布

2026年5月21日，一篇题为《深度隐含偏置：从神经崩溃到Softmax编码》的理论研究论文在预印本服务器arXiv上正式发布。该研究由Connall Garrod等作者完成，深入探讨了神经网络模型深度对其内在偏置机制的影响。论文将神经崩溃现象——即训练过程中特征表示趋于统一化的趋势——与softmax函数在分类任务中的编码行为联系起来，构建了一个新的理论框架来分析深度学习的隐含偏置。这项工作有望深化对模型泛化能力和优化过程的理解，为人工智能基础研究提供重要参考。 #神经网络 #深度学习 #AI #理论研究 #arXiv #隐含偏置 #机器学习 #软编码

ThriftAttention：针对长上下文FP4注意力的选择性混合精度新方法发布

2026年5月21日，研究者Joe Sharratt在学术预印本平台arXiv上发表了题为“ThriftAttention: Selective Mixed Precision for Long-Context FP4 Attention”的论文。该论文提出了一种名为ThriftAttention的技术，专注于在长上下文场景中优化FP4（4位浮点）注意力机制的选择性混合精度，旨在提升计算效率并降低资源消耗。注意力机制作为深度学习模型的核心组件，在处理长序列数据时面临高计算成本挑战，而FP4精度通过减少位数可节约内存和算力。ThriftAttention方法通过智能选择混合精度策略，平衡精度与性能，可能为人工智能领域的长上下文处理提供新的优化路径。 #AI #深度学习 #注意力机制 #FP4 #长上下文 #论文发布 #arXiv #ThriftAttention

Giang Nguyen 发布生成语言模型特征归因新研究

2026年5月21日，研究者Giang Nguyen在arXiv平台提交了一篇论文，题为“归因契约：生成语言模型的特征归因”。该研究聚焦于生成式语言模型的特征归因方法，旨在为模型决策提供更透明的解释框架。随着大模型在各领域的广泛应用，理解其内部推理机制成为关键挑战，此工作可能为提升模型可解释性和可信度提供新途径。论文的发布反映了AI社区对可解释性研究的持续关注。 #AI #生成模型 #特征归因 #机器学习 #可解释AI #arXiv #科技新闻

GEMQ：全局专家级混合精度量化技术助力MoE大模型优化

近日，Jianing Deng等七位研究者在arXiv平台提交了一篇题为“GEMQ: Global Expert-Level Mixed-Precision Quantization for MoE LLMs”的论文。该研究针对混合专家大型语言模型（MoE LLMs）提出了一种全局专家级的混合精度量化方法，旨在提升模型推理效率并降低计算资源消耗。MoE LLMs作为当前AI前沿架构，因参数庞大面临部署成本高的挑战，而GEMQ技术通过优化量化策略，有望推动此类模型在边缘设备和云端的高效应用。这一进展标志着量化技术在大模型优化领域取得新突破，对加速AI模型发展和实际落地具有潜在影响。 #AI #机器学习 #量化技术 #MoE #LLM #大模型 #arXiv #研究论文

ModeSwitch-LLM：面向单GPU跨模式大模型推理的轻量级阶段感知控制器

研究人员提出一种名为ModeSwitch-LLM的轻量级控制器，旨在优化在单个图形处理器上运行的大语言模型推理性能。该系统通过感知大模型推理的不同阶段，动态切换计算模式，以应对日益增长的大模型计算需求与有限硬件资源之间的矛盾。该方法的核心在于其阶段感知能力，能够根据输入序列的复杂性、模型激活状态等信息，智能地在不同的推理模式（如内存密集型与计算密集型模式）间进行切换，从而在资源受限的单GPU环境下，显著提升推理吞吐量并降低延迟。此研究为在消费级硬件上高效部署大模型提供了新的技术路径，有望降低大模型应用的硬件门槛。 #大模型推理 #模型优化 #单GPU #人工智能 #机器学习 #开源研究

新研究探讨评估意识的分解与测量方法

一篇题为《分解与测量评估意识》的学术论文于2026年5月21日在arXiv平台正式提交，由Changling Li等五位研究人员合作完成。该研究聚焦于评估意识的概念框架，旨在通过系统性方法对其进行分解和量化，以推动相关理论的发展。评估意识可能关联到人工智能、认知科学或心理学领域，涉及个体或系统对自身评估过程的觉察与反思。论文的发布为学术界提供了新的研究视角，有助于未来在智能系统评估、决策机制等方面的深入探索。 #学术论文 #评估意识 #arXiv #研究发布 #认知科学 #人工智能 #预印本

arXiv发布新论文

2026年5月21日，研究人员Sumanta Bhattacharyya和Pedram Rooshenas在arXiv预印本平台发布了一篇题为“基于稀疏查询特征梯度优化的引导生成”的学术论文。该论文探讨了人工智能生成模型中的一个重要问题，即如何实现对生成过程的精确控制。作者提出了一种新颖的方法，通过梯度优化技术，在稀疏查询特征的场景下引导生成，以提升模型的灵活性和输出质量。这一研究方向在

arXiv发布开放多模态数据集与开源软件论文，推动多相传输系统数据驱动建模

近日，arXiv平台上线了一篇题为“开放多模态数据集与开源软件用于多相传输和热系统的数据驱动建模”的学术论文。该研究由Christy Dunlap及其他八位作者共同完成，并于2026年5月21日正式提交。论文聚焦于开发开放的多模态数据集和开源软件工具，旨在为多相传输和热系统领域提供数据驱动建模的基础资源。数据驱动建模通过整合机器学习与大数据技术，能够优化复杂工程系统的模拟和预测能力，在能源、化工等行业应用潜力巨大。尽管论文具体内容未在摘要中详细展开，但此类开源资源的发布预计将降低研究门槛，促进全球科研协作，加速相关工程技术的创新与发展。 #arXiv #论文 #数据驱动建模 #多相传输 #开源软件 #科学 #工程 #人工智能 #机器学习 #大数据

深层中间表示潜力研究论文在arXiv平台发布

近日，研究人员Arnesh Batra与其他四位合作者在预印本平台arXiv上发表了一篇题为《Uncovering the Latent Potential of Deep Intermediate Representations》的学术论文。该研究聚焦于深度学习模型中中间层表示的潜在能力，旨在探索这些常被忽视的内部特征如何优化模型性能和理解性。在人工智能领域，神经网络的中间表示层对特征提取和任务泛化至关重要，但长期以来其价值未被充分利用。通过系统分析和实验，论文提出了新方法来激活和利用这些隐藏潜力，为模型设计提供了新思路。这项工作可能推动深度学习理论的发展，并在计算机视觉、自然语言处理等应用中带来改进，预计将引发学术界的广泛关注和后续研究。 #深度学习 #AI #学术研究 #arXiv #神经网络 #人工智能 #科技新闻