Lifted Causal Inference 论文在 arXiv 预印本平台发布

近日，Malte Luttermann 等四位研究者在 arXiv 上提交了一篇题为《Lifted Causal Inference》的论文。该论文于2026年6月26日提交，提供PDF、HTML及TeX源码等多种格式。页面集成了参考文献、引用导出、相关论文推荐以及多项实验性工具如Connected Papers、Litmaps、Scite等，为读者提供了丰富的文献探索功能。论文当前处于提交状态，DOI尚在注册中，尚未正式出版。 #arXiv #因果推断 #论文 #预印本 #学术 #MalteLuttermann

RelBall：基于四元数旋转的关系球知识图谱补全方法

来自arXiv的一篇研究论文提出了名为RelBall的知识图谱补全方法。该方法创新性地将知识图谱中的关系建模为“关系球”，并利用四元数旋转机制进行实体和关系的嵌入表示。相比传统的平移或旋转模型，RelBall能够更有效地捕捉复杂关系模式，尤其在处理对称、非对称及组合关系时表现出优势。论文由Yike Liu等三位作者共同撰写，已提交至arXiv预印本平台。该研究为知识图谱嵌入领域提供了新的几何解释和计算框架，有望推动链接预测和关系推理等下游任务的发展。 #知识图谱 #关系补全 #四元数 #RelBall #论文 #AI #机器学习 #深度学习

可验证几何问题求解

这篇arXiv论文提出了一种新颖的几何问题求解方法，通过将求解器与自动形式化机制结合，实现了几何定理的自动提出与验证。传统几何问题求解往往依赖人工推理或预设规则，而该方法利用求解器驱动的方式，自动将几何问题转化为形式化表述，并在此过程中探索和证明新的定理。研究团队展示了该方法在处理复杂几何关系时的有效性，显著提升了自动推理的准确性和可解释性。这项研究为数学教育和人工智能推理领域提供了新的思路，有助于推动几何定理的自动化发现与验证。 #几何推理 #自动形式化 #定理提出 #AI求解 #机器学习 #数学教育 #arXiv论文

NormAct：面向具身规划中隐性社会规范遵循的基准测试

来自arXiv预印本的最新研究显示，研究人员提出了NormAct基准，旨在评估具身智能体在规划过程中对隐性社会规范的遵循能力。该基准通过设计一系列需要理解并遵守未明确表述的社会规则的任务场景，测试AI系统在复杂环境中的行为合理性。研究团队指出，现有具身规划模型往往忽略这些隐含的社会约束，导致行为不符合人类预期。NormAct的发布为衡量AI的社会智能提供了标准化测试平台，有助于推动更安全、更符合人类价值观的自主系统发展。 #具身智能 #社会规范 #AI基准 #具身规划 #arXiv #人工智能

新论文提出ATOD方法：退火轮次感知在线蒸馏提升多轮自主智能体性能

近日，一篇题为《ATOD: Annealed Turn-aware On-policy Distillation for Multi-turn Autonomous Agents》的学术论文在arXiv上发布。该研究由Qitai Tan等四位作者共同完成，聚焦于多轮自主智能体的训练优化。论文提出一种名为ATOD的退火轮次感知在线蒸馏方法，通过引入轮次感知机制和退火策略，改进传统策略蒸馏在多轮交互场景下的性能。该方法旨在让智能体更高效地从专家演示或历史轨迹中学习，从而在复杂多轮任务中做出更连贯、更合理的决策。虽然具体实验数据尚未公布，但该工作为多轮对话、任务型智能体等领域的训练范式提供了新思路，有望推动自主智能体在长期交互中的表现提升。 #AI #机器学习 #多轮对话 #知识蒸馏 #自主智能体 #论文 #arXiv #深度学习

基于参数化世界模型的接地的迭代语言规划

研究人员提出了一种名为“接地的迭代语言规划”的新方法，通过引入参数化世界模型来减少大型语言模型代理中的幻觉传播。该方法使代理在规划过程中能够基于现实世界的参数化模型进行迭代修正，从而避免错误信息的级联扩散。实验表明，该技术显著提升了代理在复杂任务中的推理准确性和一致性，为构建更可靠的AI系统提供了新思路。 #AI #LLM #幻觉 #世界模型 #NLP #论文 #arXiv #语言规划 #研究

理解图世界模型中的展开误差

一篇题为《理解图世界模型中的展开误差》的论文在arXiv上发布，作者为Xinyuan Song等人。该研究聚焦于图世界模型中一个关键问题——展开误差，即模型在递归预测时误差累积的现象。论文通过理论分析和实验验证，深入探讨了展开误差的产生机制及其对模型性能的影响。研究指出，图世界模型在处理动态图数据时，展开误差会显著降低长期预测的准确性。作者提出了新的评估框架和缓解策略，为改进图世界模型的设计提供了重要理论依据。该工作对图神经网络、强化学习和机器人规划等领域具有潜在应用价值。 #图世界模型 #展开误差 #图神经网络 #机器学习 #AI研究 #arXiv

符号反馈驱动的迭代自精炼框架

研究人员提出一种名为“符号反馈驱动的迭代自精炼框架”的新方法，旨在提升大语言模型在复杂规划任务中的可靠性和鲁棒性。该框架通过引入符号化反馈机制，让LLM在迭代过程中自我修正规划错误，而非依赖外部知识或额外训练。实验结果表明，该方法在多个基准规划任务上显著提高了规划成功率，并增强了对干扰和对抗性输入的鲁棒性。这一工作为LLM在自动化决策、机器人控制等需要高可靠性规划的应用场景提供了新的解决思路。 #LLM #规划 #符号反馈 #自精炼 #AI #论文 #arXiv #鲁棒性

Telegram必备的搜索引擎，极搜JISOU帮你精准找到，想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_8247614025

新研究提出层次化可解释声称验证框架ToE

近日，一篇题为“ToE: 一种基于动态多源证据检索与聚合的层次化可解释声称验证框架”的论文在arXiv上预发布。该研究由Zhaoqi Wang等人完成，旨在解决事实核查领域中对复杂声称进行可解释验证的难题。ToE框架通过分层结构动态整合来自多个信源（如知识库、网页文本等）的证据，并利用聚合机制评估声称的真实性。与现有方法相比，ToE在保持高准确率的同时，显著提升了验证过程的可解释性，使每一步推理和证据贡献度都可被追踪。这一工作有望推动自动化事实核查系统在新闻、公共卫生等领域的可信应用。 #论文 #人工智能 #自然语言处理 #事实核查 #可解释AI #知识图谱 #证据检索 #声称验证 #arXiv #研究前沿

MER-R1：慢速

近日，一篇题为《MER-R1: Multimodal Emotion Reasoning via Slow-Fast Thinking Synergy》的论文在arXiv上发布。该研究由Zhiyuan Han等十一位作者共同完成，提出了一种名为MER-R1的多模态情感推理框架，通过模拟人类慢速与快速思维的协同作用，提升机器对复杂情感的理解能力。传统情感识别多依赖单一模态或快速推理，而MER-R1结合了深度分析（慢速思维）与直觉反应（快速思维），在多种情感数据集上取得了显著性能提升。这一方法有望推动人机交互、心理健康监测等领域的发展，为情感计算提供新的技术路径。 #多模态 #情感推理 #慢速思维 #快速思维 #人工智能 #情感计算 #论文 #arXiv

DysLexLens：低资源LLM框架在线分析阅读障碍学习者论坛见解

一项由Dana Rezazadegan等学者提出的研究论文《DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums》于2026年6月发布在预印本平台arXiv上。该研究开发了一个名为DysLexLens的低资源大语言模型框架，旨在从在线论坛中自动提取和分析阅读障碍学习者的见解与行为模式。框架利用轻量级LLM处理自然语言数据，避免对大规模标注数据的依赖，从而适用于资源受限的教育场景。通过分析论坛中阅读障碍学习者的语言特征、求助内容和学习策略，该框架有望为个性化教育支持和早期干预提供数据驱动的洞察。研究展示了LLM在特殊教育领域应用的潜力，为开发包容性学习工具提供了新路径。 #DysLexLens #阅读障碍 #大语言模型 #教育科技 #在线论坛 #低资源 #特殊教育 #AI分析 #机器学习 #教育包容性

Odyssey

研究人员Sridhar Mahadevan近日在arXiv上提交了题为“Odyssey: Constructing Verifiable Local Truth-Preserving Foundation Models”的论文。该研究聚焦于基础模型的可验证性问题，提出构建局部保真模型的新方法，旨在确保模型输出在特定区域内保持真实且可验证。论文详细探讨了如何通过局部化技术提升模型的可信度，为AI安全与可靠性提供了新思路。该工作通常被视为提升大模型透明度和事实一致性的重要探索，有望推动基础模型在关键领域的可信应用。 #arXiv #基础模型 #可验证AI #局部保真 #SridharMahadevan #AI安全 #论文 #前沿研究

内化未来

一篇题为《Internalizing the Future: A Unified Agentic Training Paradigm for World Model Planning》的论文近日在arXiv上发布。该研究由Xuan Zhang等9位作者共同完成，提出了一种统一的智能体训练范式，旨在让智能体通过内化未来状态来提升世界模型的规划能力。传统世界模型通常依赖外部模拟或显式搜索，而该工作通过端到端训练，使模型在内部表征中直接预测并利用未来信息，从而更高效地完成复杂规划任务。论文详细阐述了训练框架、算法设计及实验验证，展示了在多个基准任务上的显著性能提升。这一范式有望推动智能体在机器人、自动驾驶等需要长期规划的领域取得突破。 #AI #机器学习 #世界模型 #智能体 #规划 #论文 #arXiv #深度学习

个性组合何时影响多智能体LLM团队的效能？

一项针对多智能体大语言模型（LLM）团队的研究发表在arXiv预印本上。该研究题为“When Does Personality Composition Matter for Multi-Agent LLM Teams?”，由Aryan Keluskar等人完成。论文系统探讨了在由多个LLM代理组成的团队中，不同个性特质（如开放性、尽责性、宜人性等）的搭配对团队协作效率和任务完成质量的影响。通过模拟实验，研究者发现某些个性组合能显著提升团队在复杂推理和决策任务中的表现，而另一些组合则可能导致冲突或效率下降。研究为设计更高效、更鲁棒的多智能体系统提供了理论依据和实践指导，尤其适用于需要多人协作的自动化场景。 #多智能体 #LLM #大模型 #团队协作 #个性特征 #人工智能 #arXiv

AI模型网络

一篇题为《AI-Model Network: Concept, Current State and Future》的学术论文发表于《计算机研究与发展》2026年第63卷第5期。该论文由李哲涛等八位学者撰写，系统阐述了AI模型网络的核心概念、当前发展状况及未来趋势。研究指出，随着大模型技术的迅猛发展，模型之间的互联与协作将成为重要方向。论文旨在构建AI模型网络的理论框架，梳理现有工作，并探讨其在分布式智能、模型协同推理等领域的潜在应用。该工作为理解AI模型的网络化演进提供了基础参考。 #AI模型网络 #大模型 #分布式智能 #学术论文 #计算机研究与发展

两阶段微调方法实现靶向氨基酸组成的蛋白质序列生成

来自 arXiv 的一篇预印本论文提出了一种两阶段微调策略，用于生成具有特定氨基酸组成的蛋白质序列。该方法首先在大规模蛋白质数据库上对基础模型进行预训练，继而通过两阶段微调引导模型输出目标氨基酸比例，从而在保持序列功能与结构可行性的前提下实现成分定制。研究团队通过实验验证了该方法在多种目标组成下的有效性，为蛋白质工程和合成生物学提供了新的设计工具。该成果由 Violeta Basten-Romero 等人完成，目前已在 arXiv 上提交。 #蛋白质生成 #两阶段微调 #氨基酸组成 #机器学习 #合成生物学 #arXiv

图降维用于上下文赌博机：近似平滑与噪声特征空间下的结构特定遗憾界

arXiv上的一项新研究探讨了上下文赌博机中的图降维方法。作者Joyanta Jyoti Mondal等人提出，在近似平滑假设和噪声特征空间条件下，通过图结构进行降维可推导出结构特定的遗憾界。该工作为高维上下文赌博机问题提供了新的理论分析框架，有望在推荐系统、在线广告等领域提升算法效率与性能。论文目前已在arXiv预印本平台发布，等待数据引用注册。 #机器学习 #上下文赌博机 #图降维 #遗憾界 #arXiv #理论计算机科学 #在线学习

TA-SparseMG：面向长期时间序列的趋势感知稀疏预测新方法

来自arXiv的一项研究提出了一种名为TA-SparseMG的新型时间序列预测方法。该方法通过多尺度门控机制，实现了对长期时间序列中趋势成分的精准感知与稀疏建模。研究团队由Wenchao Liu等五位学者组成，论文于2026年6月26日提交至预印本平台。TA-SparseMG在保留关键趋势信息的同时大幅降低计算复杂度，为金融、能源、气象等领域的长期预测任务提供了更高效的解决方案。该工作目前已完成论文与相关代码的公开，并获得了学术社区的关注。 #AI #时间序列 #预测 #稀疏建模 #深度学习 #学术论文 #arxiv

基于HARMES数据集的多模态人类活动识别融合技术比较

一篇题为《基于HARMES数据集的多模态人类活动识别融合技术比较》的论文在arXiv上预印发布。该研究由Ahmed Mohamady等人完成，旨在系统比较多种融合方法在多模态人类活动识别任务中的表现。研究利用HARMES数据集，该数据集包含来自不同传感器的多模态数据，如加速度计、陀螺仪等。作者对比了早期融合、晚期融合、混合融合以及基于注意力机制的融合策略，评估它们在不同活动类别上的识别准确率与鲁棒性。实验结果表明，混合融合方法在综合性能上优于单一融合方式，特别是在复杂活动场景下表现更佳。该工作为可穿戴设备中的人体活动识别系统设计提供了参考。 #多模态 #人类活动识别 #融合技术 #HARMES数据集 #arXiv #论文 #AI #机器学习 #可穿戴设备

FlexMoE：MoE语言模型的一种统一嵌套专家内剪枝方法

来自arXiv预印本的一篇新论文提出了FlexMoE，一种面向混合专家（MoE）语言模型的一体化嵌套专家内剪枝方法。该研究由Fan Mo等人完成，于2026年6月26日提交。FlexMoE通过嵌套剪枝策略在专家内部实现高效压缩，旨在解决MoE模型中的冗余问题，同时保持模型性能。该方法有望提升大规模MoE语言模型的部署效率并降低计算成本。论文提供了PDF和HTML版本，并附有相关参考文献和工具链接。 #人工智能 #大模型 #MoE #模型剪枝 #arXiv #论文 #FlexMoE #深度学习 #自然语言处理