Low-Overhead Error-Corrected QCNNs Using Bivariate Bicycle Codes
Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Animesh Yadav [ view email ] [v1] Tue, 7 Jul 2026 01:12:38 UTC (426 KB) Full-text links: Access Paper: View a PDF of the paper titled Low-Overhead Error-Corrected QCNNs Using Bivariate Bicycle Codes, by Alejandro Rosales and Animesh Yadav View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: cs quant-ph References & Citations INSPIRE HEP 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
Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Animesh Yadav [ view email ] [v1] Tue, 7 Jul 2026 01:12:38 UTC (426 KB) Full-text links: Access Paper: View a PDF of the paper titled Low-Overhead Error-Corrected QCNNs Using Bivariate Bicycle Codes, by Alejandro Rosales and Animesh Yadav View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: cs quant-ph References & Citations INSPIRE HEP 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 .
FourTune: 面向扩散模型的全4位高效后训练量化方法
来自研究团队的Bowen Xue等人在arXiv预印本上发表论文，提出FourTune方法，旨在实现扩散模型的全4位（fully 4-bit）高效后训练量化。针对扩散模型部署中内存与计算资源消耗巨大的问题，该方法采用创新的后训练量化策略，在不显著影响生成质量的前提下，大幅压缩模型体积并提升推理速度。实验证明，FourTune在多种主流扩散模型架构上接近全精度性能，为边缘端与资源受限场景下的扩散模型应用提供了可行方案。该论文于2026年7月7日提交，目前正等待DataCite注册。 #扩散模型 #量化 #后训练量化 #FourTune #高效推理 #AI #大模型 #论文 #计算机视觉 #生成模型
来自研究团队的Bowen Xue等人在arXiv预印本上发表论文，提出FourTune方法，旨在实现扩散模型的全4位（fully 4-bit）高效后训练量化。针对扩散模型部署中内存与计算资源消耗巨大的问题，该方法采用创新的后训练量化策略，在不显著影响生成质量的前提下，大幅压缩模型体积并提升推理速度。实验证明，FourTune在多种主流扩散模型架构上接近全精度性能，为边缘端与资源受限场景下的扩散模型应用提供了可行方案。该论文于2026年7月7日提交，目前正等待DataCite注册。 #扩散模型 #量化 #后训练量化 #FourTune #高效推理 #AI #大模型 #论文 #计算机视觉 #生成模型
LLM驱动神经网络生成新方法
据arXiv预印本显示，Kabir Dev Paul Baghel等研究人员提出了一种利用大语言模型（LLM）生成神经网络的新方法。该方法通过同系列架构（Same-Family Architecture）的引导，实现了迁移学习（Transfer）与适应过程（Adaptation）的分离，从而在保持网络结构一致性的前提下，提升网络生成的效率与可解释性。研究指出，这一框架能够更精确地控制知识迁移的边界，避免过度适应或欠迁移问题，为自动化神经网络设计与跨任务学习提供了新思路。论文已以“LLM-Driven Neural Network Generation with Same-Family Architecture Guidance: Disentangling Transfer and Adaptation”为题公开，并附有实验框架和技术细节。该工作有望推动大模型在架构搜索和定制化部署中的深入应用。 #LLM #神经网络生成 #迁移学习 #架构搜索 #预印本 #AI研究 #深度生成 #自动化机器学习
据arXiv预印本显示，Kabir Dev Paul Baghel等研究人员提出了一种利用大语言模型（LLM）生成神经网络的新方法。该方法通过同系列架构（Same-Family Architecture）的引导，实现了迁移学习（Transfer）与适应过程（Adaptation）的分离，从而在保持网络结构一致性的前提下，提升网络生成的效率与可解释性。研究指出，这一框架能够更精确地控制知识迁移的边界，避免过度适应或欠迁移问题，为自动化神经网络设计与跨任务学习提供了新思路。论文已以“LLM-Driven Neural Network Generation with Same-Family Architecture Guidance: Disentangling Transfer and Adaptation”为题公开，并附有实验框架和技术细节。该工作有望推动大模型在架构搜索和定制化部署中的深入应用。 #LLM #神经网络生成 #迁移学习 #架构搜索 #预印本 #AI研究 #深度生成 #自动化机器学习
深度强化学习用于自主订单拣货员动态电池管理研究论文发布
一篇题为《Deep Reinforcement Learning for Dynamic Battery Management of Autonomous Order Pickers》的研究论文于2026年7月6日提交至arXiv预印本平台。该论文由Taniya Shaji等三位作者撰写，聚焦自动化仓储场景下自主订单拣选机器人的电池动态管理问题。研究旨在利用深度强化学习方法，对充电、放电及运行策略进行智能优化，以提升电池利用效率并支撑持续作业。目前论文已提供PDF全文链接，相关引用与工具索引信息同步开放。 #arXiv #深度强化学习 #电池管理 #自主机器人 #仓储自动化 #论文
一篇题为《Deep Reinforcement Learning for Dynamic Battery Management of Autonomous Order Pickers》的研究论文于2026年7月6日提交至arXiv预印本平台。该论文由Taniya Shaji等三位作者撰写，聚焦自动化仓储场景下自主订单拣选机器人的电池动态管理问题。研究旨在利用深度强化学习方法，对充电、放电及运行策略进行智能优化，以提升电池利用效率并支撑持续作业。目前论文已提供PDF全文链接，相关引用与工具索引信息同步开放。 #arXiv #深度强化学习 #电池管理 #自主机器人 #仓储自动化 #论文
正交树突内在网络
近日，一篇题为“Orthogonal Dendritic Intrinsic Networks: An Architecture for Significance-Ordered, Orthogonal Latent Spaces”的论文在预印本平台arXiv上公开。该论文由Jeanie Schreiber等人于2026年7月6日提交，被分类至计算机科学和数学领域。论文提出了一种名为正交树突内在网络的新架构，核心目标是构建具有显著性排序特性的正交潜在空间，以增强神经网络在表示学习中的解耦能力和特征有序性，有望提升模型的可解释性与泛化性能。目前，论文可获取PDF和HTML版本，并提供BibTeX引用信息，其DOI正在注册中。 #论文 #arXiv #深度学习 #神经网络 #正交表示 #潜在空间 #AI #机器学习 #计算机科学 #数学
近日，一篇题为“Orthogonal Dendritic Intrinsic Networks: An Architecture for Significance-Ordered, Orthogonal Latent Spaces”的论文在预印本平台arXiv上公开。该论文由Jeanie Schreiber等人于2026年7月6日提交，被分类至计算机科学和数学领域。论文提出了一种名为正交树突内在网络的新架构，核心目标是构建具有显著性排序特性的正交潜在空间，以增强神经网络在表示学习中的解耦能力和特征有序性，有望提升模型的可解释性与泛化性能。目前，论文可获取PDF和HTML版本，并提供BibTeX引用信息，其DOI正在注册中。 #论文 #arXiv #深度学习 #神经网络 #正交表示 #潜在空间 #AI #机器学习 #计算机科学 #数学
时间分布偏移下的领域自适应气候降尺度
一篇题为《Domain-Adaptive Climate Downscaling Under Temporal Distribution Shift》的学术论文于2026年7月6日提交至arXiv预印本平台，由Shuochen Wang等学者撰写。该论文聚焦气候降尺度模型在时间分布偏移条件下的领域自适应问题，属于计算机科学与大气科学的交叉研究。气候降尺度是将粗分辨率气候模式输出转化为精细局部数据的关键技术，但时间分布的变化常导致模型精度下降，论文提出的自适应方法或可改善长期气候预测的可靠性。目前论文已获DataCite预分配DOI，提供PDF、HTML等多种阅读方式，并可与NASA ADS、Google Scholar等工具联动，受到相关领域关注。 #气候降尺度 #领域自适应 #时间分布偏移 #arXiv #人工智能 #地球科学 #气候预测 #机器学习 #科研论文
一篇题为《Domain-Adaptive Climate Downscaling Under Temporal Distribution Shift》的学术论文于2026年7月6日提交至arXiv预印本平台，由Shuochen Wang等学者撰写。该论文聚焦气候降尺度模型在时间分布偏移条件下的领域自适应问题，属于计算机科学与大气科学的交叉研究。气候降尺度是将粗分辨率气候模式输出转化为精细局部数据的关键技术，但时间分布的变化常导致模型精度下降，论文提出的自适应方法或可改善长期气候预测的可靠性。目前论文已获DataCite预分配DOI，提供PDF、HTML等多种阅读方式，并可与NASA ADS、Google Scholar等工具联动，受到相关领域关注。 #气候降尺度 #领域自适应 #时间分布偏移 #arXiv #人工智能 #地球科学 #气候预测 #机器学习 #科研论文
直觉模糊图嵌入随机向量函数链接网络的多视图学习研究
一篇计算机科学领域的预印本论文于2026年7月6日提交至arXiv平台。该论文标题为《Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning》，作者为Vrushank Ahire等三人。研究结合直觉模糊图嵌入与随机向量函数链接网络，探索多视图学习问题。目前论文以PDF形式开放获取，并提供HTML与TeX源文件，但尚未分配正式DOI。arXiv平台已为其部署文献管理、代码查找及相关论文推荐等辅助工具。该工作属于机器学习与多模态数据挖掘方向，为多视图表示学习提供了新的思路。 #arXiv #机器学习 #多视图学习 #直觉模糊图 #随机向量函数链接 #预印本 #计算机科学 #AI
一篇计算机科学领域的预印本论文于2026年7月6日提交至arXiv平台。该论文标题为《Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning》，作者为Vrushank Ahire等三人。研究结合直觉模糊图嵌入与随机向量函数链接网络，探索多视图学习问题。目前论文以PDF形式开放获取，并提供HTML与TeX源文件，但尚未分配正式DOI。arXiv平台已为其部署文献管理、代码查找及相关论文推荐等辅助工具。该工作属于机器学习与多模态数据挖掘方向，为多视图表示学习提供了新的思路。 #arXiv #机器学习 #多视图学习 #直觉模糊图 #随机向量函数链接 #预印本 #计算机科学 #AI
安全贝叶斯优化与反事实策略论文在arXiv发布
近期，一篇题为《Safe Bayesian Optimization with Counterfactual Policies》的学术论文在预印本平台arXiv上公开。该论文由Katherine Avery等三位作者共同完成，于2026年7月6日提交第一版本，目前归属于计算机科学（cs）领域。论文聚焦于将反事实策略引入贝叶斯优化框架，旨在提升优化过程的安全性。贝叶斯优化是处理黑箱函数全局优化问题的常用方法，而反事实策略通过比较实际与假设情景下的决策结果，为安全约束提供理论支撑。这一研究对于需要严格安全保证的自动调参、机器人控制等应用具有潜在价值。目前论文提供PDF、HTML及TeX源码等多种访问方式，供学界和工程界参考与讨论。 #安全贝叶斯优化 #反事实策略 #arXiv #论文 #计算机科学 #贝叶斯优化 #机器学习 #KatherineAvery
近期，一篇题为《Safe Bayesian Optimization with Counterfactual Policies》的学术论文在预印本平台arXiv上公开。该论文由Katherine Avery等三位作者共同完成，于2026年7月6日提交第一版本，目前归属于计算机科学（cs）领域。论文聚焦于将反事实策略引入贝叶斯优化框架，旨在提升优化过程的安全性。贝叶斯优化是处理黑箱函数全局优化问题的常用方法，而反事实策略通过比较实际与假设情景下的决策结果，为安全约束提供理论支撑。这一研究对于需要严格安全保证的自动调参、机器人控制等应用具有潜在价值。目前论文提供PDF、HTML及TeX源码等多种访问方式，供学界和工程界参考与讨论。 #安全贝叶斯优化 #反事实策略 #arXiv #论文 #计算机科学 #贝叶斯优化 #机器学习 #KatherineAvery
SafeImpute：基于共形选择实现可靠临床数据插补的新方法
近日，科研人员提出了一种名为SafeImpute的新型临床数据插补方法。该方法基于共形选择（Conformal Selection）技术，旨在解决医疗数据中普遍存在的缺失值问题。通过引入共形预测框架，SafeImpute能够为每个缺失值提供置信度评估，从而选择最可靠的插补值，显著提升数据填补的可信度。传统插补方法常因忽视不确定性而引入偏差，而该方法则在保持数据分布特性的基础上，有效降低了插补误差。研究团队在多个临床数据集上进行了验证，结果显示SafeImpute在准确性和鲁棒性方面均优于现有方法。这一工作为电子健康记录分析、疾病预测和临床决策支持提供了更可靠的数据预处理手段，具有重要的应用价值。相关论文已由Xinrui He等作者发表于arXiv预印本平台。 #SafeImpute #临床数据插补 #共形选择 #机器学习 #人工智能 #健康医疗 #数据科学 #科研论文 #不确定性量化
近日，科研人员提出了一种名为SafeImpute的新型临床数据插补方法。该方法基于共形选择（Conformal Selection）技术，旨在解决医疗数据中普遍存在的缺失值问题。通过引入共形预测框架，SafeImpute能够为每个缺失值提供置信度评估，从而选择最可靠的插补值，显著提升数据填补的可信度。传统插补方法常因忽视不确定性而引入偏差，而该方法则在保持数据分布特性的基础上，有效降低了插补误差。研究团队在多个临床数据集上进行了验证，结果显示SafeImpute在准确性和鲁棒性方面均优于现有方法。这一工作为电子健康记录分析、疾病预测和临床决策支持提供了更可靠的数据预处理手段，具有重要的应用价值。相关论文已由Xinrui He等作者发表于arXiv预印本平台。 #SafeImpute #临床数据插补 #共形选择 #机器学习 #人工智能 #健康医疗 #数据科学 #科研论文 #不确定性量化
EquiFiLM
近日，研究人员在arXiv预印本平台发表论文，提出EquiFiLM模型。该模型通过特征线性调制（Feature-wise Linear Modulation）技术，构建了电荷条件等变力场，使力场预测能根据原子电荷自适应调整，同时严格保证物理等变性。传统力场在处理不同电荷状态的分子时精度有限，EquiFiLM将电荷信息作为条件输入，利用FiLM层动态调节网络中间特征，从而输出等变的力预测。实验表明，该模型在多种分子及材料体系中展现出比现有方法更优的准确性和泛化能力。这项研究有望推动机器学习在分子动力学、材料设计和药物发现等领域的应用，为高精度力场开发开辟新路径。 #EquiFiLM #等变力场 #电荷条件 #特征线性调制 #分子动力学 #机器学习 #AI #科学计算 #arXiv #等变性
近日，研究人员在arXiv预印本平台发表论文，提出EquiFiLM模型。该模型通过特征线性调制（Feature-wise Linear Modulation）技术，构建了电荷条件等变力场，使力场预测能根据原子电荷自适应调整，同时严格保证物理等变性。传统力场在处理不同电荷状态的分子时精度有限，EquiFiLM将电荷信息作为条件输入，利用FiLM层动态调节网络中间特征，从而输出等变的力预测。实验表明，该模型在多种分子及材料体系中展现出比现有方法更优的准确性和泛化能力。这项研究有望推动机器学习在分子动力学、材料设计和药物发现等领域的应用，为高精度力场开发开辟新路径。 #EquiFiLM #等变力场 #电荷条件 #特征线性调制 #分子动力学 #机器学习 #AI #科学计算 #arXiv #等变性
λ-VAE
一篇近期提交至arXiv的论文提出名为“λ-VAE”的方法，旨在解决变分自编码器（VAE）训练中的后验坍塌问题。该研究由Girum Demisse完成，标题为《λ-VAE: Variance Equalization for Posterior Collapse》。后验坍塌是VAE的常见困境，即解码器忽略潜在变量导致表示退化。λ-VAE通过引入方差均衡机制，强制潜在变量保持合理方差，从而增强编码器的表达能力。这项工作对生成模型的稳定性提升及表示学习研究具有重要意义，论文于2026年7月6日发布。 #arXiv #论文 #λVAE #VAE #后验坍塌 #生成模型 #深度学习 #AI #表示学习
一篇近期提交至arXiv的论文提出名为“λ-VAE”的方法，旨在解决变分自编码器（VAE）训练中的后验坍塌问题。该研究由Girum Demisse完成，标题为《λ-VAE: Variance Equalization for Posterior Collapse》。后验坍塌是VAE的常见困境，即解码器忽略潜在变量导致表示退化。λ-VAE通过引入方差均衡机制，强制潜在变量保持合理方差，从而增强编码器的表达能力。这项工作对生成模型的稳定性提升及表示学习研究具有重要意义，论文于2026年7月6日发布。 #arXiv #论文 #λVAE #VAE #后验坍塌 #生成模型 #深度学习 #AI #表示学习
PatchOptic：用于共享状态LLM工作流的投影视图与验证更新方法
据arXiv预印本显示，研究人员Zhaoyu Bai等于2026年7月6日提交了一篇题为“PatchOptic for Shared-State LLM Workflows with Projected Views and Verified Structured Updates”的论文。该论文提出了PatchOptic方法，旨在解决大型语言模型（LLM）工作流中的共享状态管理问题。通过引入投影视图限制每个步骤的状态访问范围，并配合验证的结构化更新机制，确保状态修改符合预设规则且可追溯。该方法适用于多步骤、多工具协作的LLM工作流，有助于提升系统一致性与可靠性。该预印本现已发布在arXiv平台。 #arXiv #LLM #工作流 #共享状态 #投影视图 #结构化更新 #验证 #论文 #人工智能 #大模型
据arXiv预印本显示，研究人员Zhaoyu Bai等于2026年7月6日提交了一篇题为“PatchOptic for Shared-State LLM Workflows with Projected Views and Verified Structured Updates”的论文。该论文提出了PatchOptic方法，旨在解决大型语言模型（LLM）工作流中的共享状态管理问题。通过引入投影视图限制每个步骤的状态访问范围，并配合验证的结构化更新机制，确保状态修改符合预设规则且可追溯。该方法适用于多步骤、多工具协作的LLM工作流，有助于提升系统一致性与可靠性。该预印本现已发布在arXiv平台。 #arXiv #LLM #工作流 #共享状态 #投影视图 #结构化更新 #验证 #论文 #人工智能 #大模型
InvWeaver
近日，一篇题为“InvWeaver: Deductive Feedback for Invariant Synthesis in Interacting-Loop Programs”的论文在arXiv上提交。该论文由Guangyuan Wu等七位作者共同完成，聚焦程序验证中的核心难点——交互循环程序的不变量合成问题。作者提出了一种名为InvWeaver的新方法，通过演绎反馈机制自动引导不变量的生成与迭代优化，显著提升合成效率与正确性，为形式化验证和软件可靠性分析提供了有力工具。目前论文的完整PDF及TeX源码已在arXiv开放获取。 #InvWeaver #演绎反馈 #不变量合成 #交互循环 #程序验证 #arXiv #形式化方法 #循环不变量 #软件工程 #计算机科学
近日，一篇题为“InvWeaver: Deductive Feedback for Invariant Synthesis in Interacting-Loop Programs”的论文在arXiv上提交。该论文由Guangyuan Wu等七位作者共同完成，聚焦程序验证中的核心难点——交互循环程序的不变量合成问题。作者提出了一种名为InvWeaver的新方法，通过演绎反馈机制自动引导不变量的生成与迭代优化，显著提升合成效率与正确性，为形式化验证和软件可靠性分析提供了有力工具。目前论文的完整PDF及TeX源码已在arXiv开放获取。 #InvWeaver #演绎反馈 #不变量合成 #交互循环 #程序验证 #arXiv #形式化方法 #循环不变量 #软件工程 #计算机科学