Primary ICD Category Prediction using LLM
一篇题为“Primary ICD Category Prediction using LLM-based Probing”的学术论文已提交至arXiv预印本平台，作者为Chengyuan Liu等三人。该研究聚焦于利用基于大型语言模型（LLM）的探测方法，进行主要国际疾病分类（ICD）类别的预测任务。论文于2026年6月27日首次提交，目前可通过arXiv获取PDF全文及HTML版本。相关工作涉及自然语言处理与医疗信息编码的交叉领域，为自动化医疗代码分配提供了新的探索方向。 #arXiv #论文 #LLM #ICD #医疗信息 #自然语言处理 #人工智能
一篇题为“Primary ICD Category Prediction using LLM-based Probing”的学术论文已提交至arXiv预印本平台，作者为Chengyuan Liu等三人。该研究聚焦于利用基于大型语言模型（LLM）的探测方法，进行主要国际疾病分类（ICD）类别的预测任务。论文于2026年6月27日首次提交，目前可通过arXiv获取PDF全文及HTML版本。相关工作涉及自然语言处理与医疗信息编码的交叉领域，为自动化医疗代码分配提供了新的探索方向。 #arXiv #论文 #LLM #ICD #医疗信息 #自然语言处理 #人工智能
HyphaeDB
来自Krishna Halaharvi的学术论文提出了一种名为HyphaeDB的新型数据库架构，旨在为智能代理（Agent）提供一种“活的知识拓扑”。该数据库设计为支持代理优先的记忆存储与检索，通过动态关联与生长机制，使知识不仅能被存储，还能随着交互和推理过程不断演化。HyphaeDB借鉴生物菌丝的网状结构，试图解决传统数据库在知识图谱动态更新和上下文感知上的局限，为下一代AI代理系统提供更灵活、自适应的记忆基础设施。该研究于2026年6月提交至arXiv，目前尚无完整公开细节，但方向指向代理-环境互动中知识的高效组织与利用。 #HyphaeDB #知识图谱 #AI代理 #数据库 #活知识 #拓扑 #智能记忆 #论文
来自Krishna Halaharvi的学术论文提出了一种名为HyphaeDB的新型数据库架构，旨在为智能代理（Agent）提供一种“活的知识拓扑”。该数据库设计为支持代理优先的记忆存储与检索，通过动态关联与生长机制，使知识不仅能被存储，还能随着交互和推理过程不断演化。HyphaeDB借鉴生物菌丝的网状结构，试图解决传统数据库在知识图谱动态更新和上下文感知上的局限，为下一代AI代理系统提供更灵活、自适应的记忆基础设施。该研究于2026年6月提交至arXiv，目前尚无完整公开细节，但方向指向代理-环境互动中知识的高效组织与利用。 #HyphaeDB #知识图谱 #AI代理 #数据库 #活知识 #拓扑 #智能记忆 #论文
Mechanistic Personality Analysis of LLMs
一篇来自arXiv的论文《Mechanistic Personality Analysis of LLMs Steering Personality via Latent Feature Interventions》提出，大型语言模型（LLMs）的个性可通过潜在特征干预进行系统性操控。研究团队通过分析模型内部机制，发现利用特定潜在特征可引导模型表现出不同人格特质，从而为理解AI行为控制提供了新视角。该工作有望推动更安全、可控的AI系统开发。 #LLM #人工智能 #个性分析 #潜在特征 #AI安全 #论文 #arXiv
一篇来自arXiv的论文《Mechanistic Personality Analysis of LLMs Steering Personality via Latent Feature Interventions》提出，大型语言模型（LLMs）的个性可通过潜在特征干预进行系统性操控。研究团队通过分析模型内部机制，发现利用特定潜在特征可引导模型表现出不同人格特质，从而为理解AI行为控制提供了新视角。该工作有望推动更安全、可控的AI系统开发。 #LLM #人工智能 #个性分析 #潜在特征 #AI安全 #论文 #arXiv
ComMem：面向视觉语言模型测试时自适应的互补记忆系统
arXiv上最新发表的一篇论文提出了ComMem（互补记忆系统），旨在解决视觉语言模型在测试阶段面临的数据分布漂移问题。该方法通过设计两类互补的记忆模块——长期记忆和短期记忆，分别存储稳定的语义知识以及动态的上下文信息，使模型能够在推理时无需额外训练即可快速适应新任务或新环境。研究团队在多个域迁移基准上进行了评估，结果显示ComMem在图像分类、目标检测等任务中显著提升了模型的泛化能力，尤其在目标域与源域存在较大差异的场景下优势明显。该工作为视觉语言模型的实时在线自适应提供了高效且可扩展的解决方案，有望推动自动驾驶、医疗影像分析等对鲁棒性要求较高的应用发展。 #视觉语言模型 #测试时自适应 #互补记忆 #AI #计算机视觉 #域迁移 #机器学习 #arXiv
arXiv上最新发表的一篇论文提出了ComMem（互补记忆系统），旨在解决视觉语言模型在测试阶段面临的数据分布漂移问题。该方法通过设计两类互补的记忆模块——长期记忆和短期记忆，分别存储稳定的语义知识以及动态的上下文信息，使模型能够在推理时无需额外训练即可快速适应新任务或新环境。研究团队在多个域迁移基准上进行了评估，结果显示ComMem在图像分类、目标检测等任务中显著提升了模型的泛化能力，尤其在目标域与源域存在较大差异的场景下优势明显。该工作为视觉语言模型的实时在线自适应提供了高效且可扩展的解决方案，有望推动自动驾驶、医疗影像分析等对鲁棒性要求较高的应用发展。 #视觉语言模型 #测试时自适应 #互补记忆 #AI #计算机视觉 #域迁移 #机器学习 #arXiv
TrajRS
来自arXiv预印本的一篇论文《TrajRS: Towards Certified Robustness in Pedestrian Trajectory Prediction》由Liang Zhang等七位作者提交。该研究聚焦于行人轨迹预测模型的鲁棒性问题，提出了一种可认证的鲁棒性方法，旨在提升模型在对抗性扰动下的安全性。传统轨迹预测模型在面对细微输入扰动时可能产生严重偏差，而TrajRS通过形式化验证手段，为预测结果提供可量化的鲁棒性保证。论文详细介绍了方法框架、理论分析和实验评估，展示了在多种场景下的有效性。这项工作对自动驾驶、机器人导航等现实应用具有潜在价值。 #行人轨迹预测 #认证鲁棒性 #AI安全 #自动驾驶 #arXiv #论文
来自arXiv预印本的一篇论文《TrajRS: Towards Certified Robustness in Pedestrian Trajectory Prediction》由Liang Zhang等七位作者提交。该研究聚焦于行人轨迹预测模型的鲁棒性问题，提出了一种可认证的鲁棒性方法，旨在提升模型在对抗性扰动下的安全性。传统轨迹预测模型在面对细微输入扰动时可能产生严重偏差，而TrajRS通过形式化验证手段，为预测结果提供可量化的鲁棒性保证。论文详细介绍了方法框架、理论分析和实验评估，展示了在多种场景下的有效性。这项工作对自动驾驶、机器人导航等现实应用具有潜在价值。 #行人轨迹预测 #认证鲁棒性 #AI安全 #自动驾驶 #arXiv #论文
权重量化下经验Fisher信息矩阵的谱扰动研究发表
近日，一篇题为《权重量化下经验Fisher信息矩阵的谱扰动》的论文在arXiv上公开。该研究由Rahid Zahid Alekberli和Hikmat Karimov共同完成，主要探讨神经网络权重量化对经验Fisher信息矩阵（EFIM）特征谱的影响。权重量化是模型压缩与边缘部署的关键技术，但现有研究对其带来的优化景观变化理解有限。该工作通过理论分析揭示了量化导致的谱扰动规律，为设计更高效的量化算法提供了理论依据。论文目前提供PDF及HTML版本供开放获取。 #神经网络 #权重量化 #Fisher信息矩阵 #谱扰动 #模型压缩 #机器学习 #arXiv
近日，一篇题为《权重量化下经验Fisher信息矩阵的谱扰动》的论文在arXiv上公开。该研究由Rahid Zahid Alekberli和Hikmat Karimov共同完成，主要探讨神经网络权重量化对经验Fisher信息矩阵（EFIM）特征谱的影响。权重量化是模型压缩与边缘部署的关键技术，但现有研究对其带来的优化景观变化理解有限。该工作通过理论分析揭示了量化导致的谱扰动规律，为设计更高效的量化算法提供了理论依据。论文目前提供PDF及HTML版本供开放获取。 #神经网络 #权重量化 #Fisher信息矩阵 #谱扰动 #模型压缩 #机器学习 #arXiv
自适应迭代硬阈值方法用于在线高维分位数回归
近日，一篇题为《Adaptive Iterative Hard Thresholding for Online High-dimensional Quantile Regression》的论文在arXiv预印本平台发布。该研究由Zitian Zhou等人完成，提出了一种自适应迭代硬阈值算法，专门用于在线高维分位数回归场景。传统分位数回归在高维数据流中面临计算复杂度和稀疏性约束的挑战，新方法通过动态调整阈值策略，实现了对稀疏参数的渐进有效估计，并给出了理论收敛性保证。实验结果表明，该算法在处理大规模流式数据时，在精度和效率上均优于现有基准方法，为金融风险度量、信号处理等领域的实时数据分析提供了新工具。 #机器学习 #高维统计 #分位数回归 #在线学习 #稀疏建模
近日，一篇题为《Adaptive Iterative Hard Thresholding for Online High-dimensional Quantile Regression》的论文在arXiv预印本平台发布。该研究由Zitian Zhou等人完成，提出了一种自适应迭代硬阈值算法，专门用于在线高维分位数回归场景。传统分位数回归在高维数据流中面临计算复杂度和稀疏性约束的挑战，新方法通过动态调整阈值策略，实现了对稀疏参数的渐进有效估计，并给出了理论收敛性保证。实验结果表明，该算法在处理大规模流式数据时，在精度和效率上均优于现有基准方法，为金融风险度量、信号处理等领域的实时数据分析提供了新工具。 #机器学习 #高维统计 #分位数回归 #在线学习 #稀疏建模
随机梯度广义非可逆Langevin Monte Carlo算法的方差缩减研究
来自arXiv预印本平台的一篇最新论文，由Bingye Ni等三位学者共同完成，聚焦于随机梯度广义非可逆Langevin Monte Carlo算法的方差缩减问题。Langevin Monte Carlo方法是机器学习与统计计算中重要的采样工具，但随机梯度引入的噪声常影响收敛效率。研究团队提出了一种针对广义非可逆动力学框架的方差缩减技术，旨在降低梯度估计的方差，从而加速算法收敛并提升采样精度。该工作通过理论分析与数值实验验证了方法的有效性，为高维贝叶斯推断、概率编程等应用提供了更高效的采样方案。论文于2026年6月27日提交至arXiv，目前可通过PDF或HTML格式获取全文。 #LangevinMonteCarlo #方差缩减 #随机梯度 #机器学习 #arXiv #统计学 #算法
来自arXiv预印本平台的一篇最新论文，由Bingye Ni等三位学者共同完成，聚焦于随机梯度广义非可逆Langevin Monte Carlo算法的方差缩减问题。Langevin Monte Carlo方法是机器学习与统计计算中重要的采样工具，但随机梯度引入的噪声常影响收敛效率。研究团队提出了一种针对广义非可逆动力学框架的方差缩减技术，旨在降低梯度估计的方差，从而加速算法收敛并提升采样精度。该工作通过理论分析与数值实验验证了方法的有效性，为高维贝叶斯推断、概率编程等应用提供了更高效的采样方案。论文于2026年6月27日提交至arXiv，目前可通过PDF或HTML格式获取全文。 #LangevinMonteCarlo #方差缩减 #随机梯度 #机器学习 #arXiv #统计学 #算法
论文《潜在因子不确定性及其对数据表示的影响》发布
近日，一篇题为《Perspectives on Latent Factor Indeterminacy and its Implications for Data Representation》的学术论文在arXiv预印本平台上线。作者Carel F.W. Peeters深入探讨了潜在因子不确定性问题，并分析了其对数据表示的潜在影响。该论文已被分配DataCite DOI，并提供PDF全文下载。研究涉及计算机科学、数学与统计学交叉领域，可能对因子分析、降维等机器学习方法产生重要启示。 #学术论文 #潜在因子 #数据表示 #arXiv #机器学习 #因子分析
近日，一篇题为《Perspectives on Latent Factor Indeterminacy and its Implications for Data Representation》的学术论文在arXiv预印本平台上线。作者Carel F.W. Peeters深入探讨了潜在因子不确定性问题，并分析了其对数据表示的潜在影响。该论文已被分配DataCite DOI，并提供PDF全文下载。研究涉及计算机科学、数学与统计学交叉领域，可能对因子分析、降维等机器学习方法产生重要启示。 #学术论文 #潜在因子 #数据表示 #arXiv #机器学习 #因子分析
贝叶斯潜在高斯过程框架用于空气动力学不确定性量化
近日，一篇题为《A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification》的论文在arXiv平台上发布。该研究由Geoffrey Davis和Ashwin Renganathan共同完成，提出了一种基于贝叶斯潜在高斯过程的框架，用于解决空气动力学中的不确定性量化问题。传统方法在面对高维输入和复杂非线性系统时存在计算瓶颈，而该框架通过引入潜在变量和高斯过程先验，实现了对不确定性的高效建模与传播。论文详细阐述了方法原理，并在多个气动案例上验证了其准确性和鲁棒性，为飞行器设计、气动优化等领域提供了新的理论工具。该研究发表于2026年6月27日，目前可通过arXiv获取全文。 #论文 #空气动力学 #贝叶斯 #高斯过程 #不确定性量化 #arXiv #机器学习
近日，一篇题为《A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification》的论文在arXiv平台上发布。该研究由Geoffrey Davis和Ashwin Renganathan共同完成，提出了一种基于贝叶斯潜在高斯过程的框架，用于解决空气动力学中的不确定性量化问题。传统方法在面对高维输入和复杂非线性系统时存在计算瓶颈，而该框架通过引入潜在变量和高斯过程先验，实现了对不确定性的高效建模与传播。论文详细阐述了方法原理，并在多个气动案例上验证了其准确性和鲁棒性，为飞行器设计、气动优化等领域提供了新的理论工具。该研究发表于2026年6月27日，目前可通过arXiv获取全文。 #论文 #空气动力学 #贝叶斯 #高斯过程 #不确定性量化 #arXiv #机器学习
Transformer在分布回归中的泛化性能分析
一篇题为《Generalization Analysis of Transformers in Distribution Regression》的论文于近期在arXiv上提交。该研究由Peilin Liu等人完成，已被期刊《Neural Computation》接收（2025年第37卷第2期）。论文聚焦于Transformer模型在分布回归任务中的泛化能力，通过理论分析揭示了Transformer在处理分布数据时的学习特性和误差界。研究为理解Transformer在非标准回归场景下的表现提供了数学基础，对推动模型在复杂数据类型（如概率分布）上的应用具有理论指导意义。论文全文已在arXiv开放获取，并提供了HTML和TeX源码。 #Transformer #分布回归 #泛化分析 #NeuralComputation #AI #机器学习 #理论
一篇题为《Generalization Analysis of Transformers in Distribution Regression》的论文于近期在arXiv上提交。该研究由Peilin Liu等人完成，已被期刊《Neural Computation》接收（2025年第37卷第2期）。论文聚焦于Transformer模型在分布回归任务中的泛化能力，通过理论分析揭示了Transformer在处理分布数据时的学习特性和误差界。研究为理解Transformer在非标准回归场景下的表现提供了数学基础，对推动模型在复杂数据类型（如概率分布）上的应用具有理论指导意义。论文全文已在arXiv开放获取，并提供了HTML和TeX源码。 #Transformer #分布回归 #泛化分析 #NeuralComputation #AI #机器学习 #理论
梯度提升方法引入向量值叶子节点
一篇题为“Gradient boosting with vector-valued leafs”的学术论文于2026年6月提交至arXiv预印本平台，作者为David Cortes。该论文探讨了机器学习中梯度提升算法的改进：传统梯度提升的决策树叶子节点通常输出标量值，而这篇工作提出叶子节点输出向量，从而可能增强模型对多维目标或复杂关系的建模能力。论文提供了完整的PDF和HTML版本，并附有源代码链接及多种参考文献工具，目前尚未正式通过DataCite获得DOI。该研究对于提升梯度提升在回归、分类及多任务学习中的表现具有潜在意义。 #机器学习 #梯度提升 #向量值叶子 #学术论文 #arXiv
一篇题为“Gradient boosting with vector-valued leafs”的学术论文于2026年6月提交至arXiv预印本平台，作者为David Cortes。该论文探讨了机器学习中梯度提升算法的改进：传统梯度提升的决策树叶子节点通常输出标量值，而这篇工作提出叶子节点输出向量，从而可能增强模型对多维目标或复杂关系的建模能力。论文提供了完整的PDF和HTML版本，并附有源代码链接及多种参考文献工具，目前尚未正式通过DataCite获得DOI。该研究对于提升梯度提升在回归、分类及多任务学习中的表现具有潜在意义。 #机器学习 #梯度提升 #向量值叶子 #学术论文 #arXiv