多智能体LLM系统输出耦合度量框架
一篇题为《传染张量：测量多智能体LLM系统中输出分布耦合的框架及其声明审计》的论文近日在arXiv预印本平台发布。该研究由Zewen Liu等人提出，旨在解决多智能体大语言模型（LLM）系统中输出分布相互耦合的量化问题。作者引入“传染张量”这一数学框架，用于衡量不同智能体输出之间的依赖关系与传播效应，从而为评估多智能体系统的协同行为、信息扩散及潜在风险提供新工具。该框架还可用于审计基于多智能体系统提出的各类声明，验证其可靠性与真实性。研究有望推动多智能体LLM系统的可解释性与安全性发展。 #多智能体 #LLM #传染张量 #输出耦合 #AI安全 #arXiv #论文
一篇题为《传染张量：测量多智能体LLM系统中输出分布耦合的框架及其声明审计》的论文近日在arXiv预印本平台发布。该研究由Zewen Liu等人提出，旨在解决多智能体大语言模型（LLM）系统中输出分布相互耦合的量化问题。作者引入“传染张量”这一数学框架，用于衡量不同智能体输出之间的依赖关系与传播效应，从而为评估多智能体系统的协同行为、信息扩散及潜在风险提供新工具。该框架还可用于审计基于多智能体系统提出的各类声明，验证其可靠性与真实性。研究有望推动多智能体LLM系统的可解释性与安全性发展。 #多智能体 #LLM #传染张量 #输出耦合 #AI安全 #arXiv #论文
Fisher-Routed Mixture of Experts for Federated Class-Incremental Learning 论文预印本发布
据arXiv预印本平台显示，一篇题为“Fisher-Routed Mixture of Experts for Federated Class-Incremental Learning”的论文于2026年6月27日提交。该论文由Wenhao Yuan等5位作者完成，文件大小约1,149 KB，当前浏览上下文为计算机科学（cs）领域。论文聚焦联邦学习中的类增量学习挑战，提出了一种基于Fisher信息路由的混合专家模型，旨在在隐私保护前提下实现模型对新类别的持续学习。页面提供了PDF、HTML等全文预览链接，并支持BibTeX导出，目前正等待DataCite注册。 #arXiv #联邦学习 #混合专家模型 #类增量学习 #机器学习 #论文预印本
据arXiv预印本平台显示，一篇题为“Fisher-Routed Mixture of Experts for Federated Class-Incremental Learning”的论文于2026年6月27日提交。该论文由Wenhao Yuan等5位作者完成，文件大小约1,149 KB，当前浏览上下文为计算机科学（cs）领域。论文聚焦联邦学习中的类增量学习挑战，提出了一种基于Fisher信息路由的混合专家模型，旨在在隐私保护前提下实现模型对新类别的持续学习。页面提供了PDF、HTML等全文预览链接，并支持BibTeX导出，目前正等待DataCite注册。 #arXiv #联邦学习 #混合专家模型 #类增量学习 #机器学习 #论文预印本
设计无偏算法机器学习论文登上 arXiv
Li-Chun Zhang 等人在 arXiv 提交了一篇题为《On design-unbiased algorithmic Machine Learning》的研究论文，该论文于 2026 年 6 月 27 日首次发布。论文聚焦于如何在算法机器学习中实现设计无偏性，这是统计推断与机器学习交叉领域的重要议题。研究人员提出了新的理论框架或方法，以解决传统机器学习模型在处理结构化数据时可能存在的偏差问题。目前该论文已开放 PDF 和 HTML 预览，相关的引用工具、代码链接及社区讨论功能也已同步上线，为后续学术交流提供了便利。 #机器学习 #统计推断 #设计无偏 #算法 #AI #学术论文 #arXiv
Li-Chun Zhang 等人在 arXiv 提交了一篇题为《On design-unbiased algorithmic Machine Learning》的研究论文，该论文于 2026 年 6 月 27 日首次发布。论文聚焦于如何在算法机器学习中实现设计无偏性，这是统计推断与机器学习交叉领域的重要议题。研究人员提出了新的理论框架或方法，以解决传统机器学习模型在处理结构化数据时可能存在的偏差问题。目前该论文已开放 PDF 和 HTML 预览，相关的引用工具、代码链接及社区讨论功能也已同步上线，为后续学术交流提供了便利。 #机器学习 #统计推断 #设计无偏 #算法 #AI #学术论文 #arXiv
机制切换跳扩散下零和随机微分博弈的熵正则化强化学习研究
近日，一篇题为《Entropy Regularized Reinforcement Learning for Zero-Sum Stochastic Differential Games in a Regime-Switching Jump-Diffusion Process》的论文在arXiv平台发布。该研究由Congde Hu等四位学者完成，针对机制切换跳扩散过程中的零和随机微分博弈，提出了熵正则化强化学习方法。研究将博弈论、随机微分方程与强化学习相结合，通过引入熵正则项提升策略探索的鲁棒性，并严格证明了算法的收敛性。该方法特别适用于金融工程、能源管理等面临突发跳跃和状态切换的复杂动态场景，为多智能体在不确定环境下的最优决策提供了新的理论框架和数值验证。 #arXiv #强化学习 #随机微分博弈 #熵正则化 #机制切换 #跳扩散过程 #机器学习 #AI #金融工程 #优化算法
近日，一篇题为《Entropy Regularized Reinforcement Learning for Zero-Sum Stochastic Differential Games in a Regime-Switching Jump-Diffusion Process》的论文在arXiv平台发布。该研究由Congde Hu等四位学者完成，针对机制切换跳扩散过程中的零和随机微分博弈，提出了熵正则化强化学习方法。研究将博弈论、随机微分方程与强化学习相结合，通过引入熵正则项提升策略探索的鲁棒性，并严格证明了算法的收敛性。该方法特别适用于金融工程、能源管理等面临突发跳跃和状态切换的复杂动态场景，为多智能体在不确定环境下的最优决策提供了新的理论框架和数值验证。 #arXiv #强化学习 #随机微分博弈 #熵正则化 #机制切换 #跳扩散过程 #机器学习 #AI #金融工程 #优化算法
绝对扰动下线性赌博机的随机探索方法研究
该论文题为《Randomized Exploration for Linear Bandits via Absolute Perturbations》，作者为Toshinori Kitamura等人，于2026年6月提交至arXiv预印本平台。研究聚焦于线性赌博机（Linear Bandits）中的探索-利用权衡问题，提出了一种基于绝对扰动的随机化探索新方法。传统方法常依赖高斯或均匀噪声进行随机扰动，而该工作通过引入绝对值形式的扰动机制，在保持探索充分性的同时降低了估计偏差。理论分析表明，该算法在典型线性上下文环境下实现了近乎最优的累积遗憾界，且计算效率优于现有基于采样的方法。实验验证了其在合成数据及真实推荐系统场景中的有效性，为在线决策与自适应推荐提供了更稳健的探索策略。 #机器学习 #线性赌博机 #随机探索 #绝对扰动 #在线学习 #算法 #arXiv #推荐系统
该论文题为《Randomized Exploration for Linear Bandits via Absolute Perturbations》，作者为Toshinori Kitamura等人，于2026年6月提交至arXiv预印本平台。研究聚焦于线性赌博机（Linear Bandits）中的探索-利用权衡问题，提出了一种基于绝对扰动的随机化探索新方法。传统方法常依赖高斯或均匀噪声进行随机扰动，而该工作通过引入绝对值形式的扰动机制，在保持探索充分性的同时降低了估计偏差。理论分析表明，该算法在典型线性上下文环境下实现了近乎最优的累积遗憾界，且计算效率优于现有基于采样的方法。实验验证了其在合成数据及真实推荐系统场景中的有效性，为在线决策与自适应推荐提供了更稳健的探索策略。 #机器学习 #线性赌博机 #随机探索 #绝对扰动 #在线学习 #算法 #arXiv #推荐系统
多指标模型下经验风险最小化的副本对称破缺与算法阈值研究
来自斯坦福大学的Andrea Montanari与Kangjie Zhou在最新提交至arXiv的论文中，深入探讨了多指标模型下经验风险最小化（ERM）的副本对称破缺现象及其算法阈值。研究团队利用统计物理中的副本方法，分析了在复杂高维数据分布中，当使用ERM进行学习时，其泛化性能与计算复杂性之间的权衡。他们发现，随着问题结构变得复杂，传统的副本对称近似会失效，必须引入副本对称破缺理论才能准确描述算法所能达到的最优性能边界。论文揭示了特定算法（如梯度下降）在实际运行中存在的相变阈值，该阈值与理论最优性能之间存在显著差距，这为理解现代机器学习中“计算”与“统计”之间的鸿沟提供了新的理论视角。该工作不仅深化了对高维统计学习基础的理解，也为设计更高效的算法提供了理论指导。 #论文 #人工智能 #机器学习 #统计物理 #高维统计 #算法阈值 #副本对称破缺 #经验风险最小化
来自斯坦福大学的Andrea Montanari与Kangjie Zhou在最新提交至arXiv的论文中，深入探讨了多指标模型下经验风险最小化（ERM）的副本对称破缺现象及其算法阈值。研究团队利用统计物理中的副本方法，分析了在复杂高维数据分布中，当使用ERM进行学习时，其泛化性能与计算复杂性之间的权衡。他们发现，随着问题结构变得复杂，传统的副本对称近似会失效，必须引入副本对称破缺理论才能准确描述算法所能达到的最优性能边界。论文揭示了特定算法（如梯度下降）在实际运行中存在的相变阈值，该阈值与理论最优性能之间存在显著差距，这为理解现代机器学习中“计算”与“统计”之间的鸿沟提供了新的理论视角。该工作不仅深化了对高维统计学习基础的理解，也为设计更高效的算法提供了理论指导。 #论文 #人工智能 #机器学习 #统计物理 #高维统计 #算法阈值 #副本对称破缺 #经验风险最小化
NIVA 多模态基础模型发布，助力地球系统智能决策
研究人员近日在 arXiv 上提交了一篇题为《NIVA：面向可操作地球系统智能的多模态基础模型》的论文。该模型旨在整合多种数据源，为地球系统科学提供更强大的智能分析能力。NIVA 能够处理并融合卫星图像、气候数据、地理空间信息等不同模态的数据，从而提升对地球系统动态变化的理解与预测。研究团队表示，该模型有望在环境监测、灾害预警、资源管理等领域发挥关键作用，推动地球系统科学从数据观测向可操作智能决策的转变。论文详细介绍了模型架构、训练方法及初步评估结果，并提供了相关代码与数据链接。 #NIVA #多模态 #基础模型 #地球系统 #人工智能 #环境监测 #气候科学
研究人员近日在 arXiv 上提交了一篇题为《NIVA：面向可操作地球系统智能的多模态基础模型》的论文。该模型旨在整合多种数据源，为地球系统科学提供更强大的智能分析能力。NIVA 能够处理并融合卫星图像、气候数据、地理空间信息等不同模态的数据，从而提升对地球系统动态变化的理解与预测。研究团队表示，该模型有望在环境监测、灾害预警、资源管理等领域发挥关键作用，推动地球系统科学从数据观测向可操作智能决策的转变。论文详细介绍了模型架构、训练方法及初步评估结果，并提供了相关代码与数据链接。 #NIVA #多模态 #基础模型 #地球系统 #人工智能 #环境监测 #气候科学
可分部分训练的算子学习框架：融合DeepONet与Karhunen
近日，来自arXiv的一篇论文提出了一种新型算子学习框架，该框架将深度算子网络（DeepONet）与Karhunen-Loeve（KL）展开相结合，实现了可分部分训练机制。传统算子学习方法在处理大规模复杂问题时往往面临计算瓶颈，而该框架通过将全局算子分解为多个可独立训练的子模块，显著提升了训练效率与可扩展性。论文作者Christian Munoz等人证明，该框架能够在保持高精度的前提下，有效处理高维输入和输出空间，适用于流体动力学、材料科学等领域的数值模拟与预测。这一进展为深度学习在科学计算中的实用化提供了新思路，尤其适合需要快速重训练或动态调整的应用场景。 #科学计算 #深度学习 #算子学习 #DeepONet #KarhunenLoeve #可训练性 #大规模应用 #AI4Science
近日，来自arXiv的一篇论文提出了一种新型算子学习框架，该框架将深度算子网络（DeepONet）与Karhunen-Loeve（KL）展开相结合，实现了可分部分训练机制。传统算子学习方法在处理大规模复杂问题时往往面临计算瓶颈，而该框架通过将全局算子分解为多个可独立训练的子模块，显著提升了训练效率与可扩展性。论文作者Christian Munoz等人证明，该框架能够在保持高精度的前提下，有效处理高维输入和输出空间，适用于流体动力学、材料科学等领域的数值模拟与预测。这一进展为深度学习在科学计算中的实用化提供了新思路，尤其适合需要快速重训练或动态调整的应用场景。 #科学计算 #深度学习 #算子学习 #DeepONet #KarhunenLoeve #可训练性 #大规模应用 #AI4Science
用张量网络建模儿童情感记忆研究
一篇题为《Modelling Emotional Memory in Children with Tensor Networks》的研究论文于2026年6月在arXiv上提交。该论文由Henry Groves等四位作者共同完成，探索利用张量网络这一数学框架来模拟儿童的情感记忆机制。张量网络作为量子物理和机器学习中的强大工具，被首次应用于认知科学领域，旨在揭示儿童在成长过程中情感记忆的形成与存储规律。研究团队通过对儿童情感记忆数据的建模，展示了张量网络在处理复杂高维关联数据方面的潜力，可能为儿童心理学和情感计算提供新的理论视角。论文目前提供PDF和HTML预览，并已通过DataCite获取DOI，相关资源可在arXiv上浏览下载。 #张量网络 #情感记忆 #儿童心理学 #认知科学 #机器学习 #arXiv #科研 #计算神经科学
一篇题为《Modelling Emotional Memory in Children with Tensor Networks》的研究论文于2026年6月在arXiv上提交。该论文由Henry Groves等四位作者共同完成，探索利用张量网络这一数学框架来模拟儿童的情感记忆机制。张量网络作为量子物理和机器学习中的强大工具，被首次应用于认知科学领域，旨在揭示儿童在成长过程中情感记忆的形成与存储规律。研究团队通过对儿童情感记忆数据的建模，展示了张量网络在处理复杂高维关联数据方面的潜力，可能为儿童心理学和情感计算提供新的理论视角。论文目前提供PDF和HTML预览，并已通过DataCite获取DOI，相关资源可在arXiv上浏览下载。 #张量网络 #情感记忆 #儿童心理学 #认知科学 #机器学习 #arXiv #科研 #计算神经科学