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
打破结构隔离：基于社区感知采样与结构熵的可扩展图聚类方法
据arXiv网站显示，一篇题为《Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy》的论文于2026年7月6日提交。该论文由Jingyun Zhang等人撰写，针对图聚类中存在的结构隔离问题，提出了一套可扩展的聚类方案。核心思路是利用社区感知采样策略降低大规模图数据的计算开销，并通过结构熵理论优化聚类划分质量，从而在保持高效性的同时提升准确率。该工作有望推动图数据挖掘在社交网络、生物信息等领域的应用。 #arXiv #论文 #图聚类 #结构熵 #社区感知采样 #机器学习 #数据挖掘 #可扩展算法
据arXiv网站显示，一篇题为《Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy》的论文于2026年7月6日提交。该论文由Jingyun Zhang等人撰写，针对图聚类中存在的结构隔离问题，提出了一套可扩展的聚类方案。核心思路是利用社区感知采样策略降低大规模图数据的计算开销，并通过结构熵理论优化聚类划分质量，从而在保持高效性的同时提升准确率。该工作有望推动图数据挖掘在社交网络、生物信息等领域的应用。 #arXiv #论文 #图聚类 #结构熵 #社区感知采样 #机器学习 #数据挖掘 #可扩展算法
AdaStop
一篇由Bonan Shen等人撰写的论文《AdaStop: Cost-Aware Early Stopping for DNN Test Selection》在arXiv平台正式提交。该研究聚焦于深度神经网络测试过程中的成本优化问题，提出一种名为AdaStop的早停策略，能够在保证测试质量的前提下，通过动态感知计算资源消耗，智能决定何时终止测试流程，从而显著降低测试成本。论文详细阐述了方法的理论框架与实现原理，并在多个基准数据集上进行了实验验证。该成果为深度学习模型的自动化测试与资源调度提供了新思路，有助于提升AI系统开发效率。 #论文 #深度神经网络 #测试选择 #成本优化 #早停 #arXiv #AI测试
一篇由Bonan Shen等人撰写的论文《AdaStop: Cost-Aware Early Stopping for DNN Test Selection》在arXiv平台正式提交。该研究聚焦于深度神经网络测试过程中的成本优化问题，提出一种名为AdaStop的早停策略，能够在保证测试质量的前提下，通过动态感知计算资源消耗，智能决定何时终止测试流程，从而显著降低测试成本。论文详细阐述了方法的理论框架与实现原理，并在多个基准数据集上进行了实验验证。该成果为深度学习模型的自动化测试与资源调度提供了新思路，有助于提升AI系统开发效率。 #论文 #深度神经网络 #测试选择 #成本优化 #早停 #arXiv #AI测试
论文提出利用离线强化学习控制LLM智能体约束
近日，一篇题为《Learning to Control LLM Agent Harnesses with Offline Reinforcement Learning》的论文在arXiv平台提交。作者Haiwen Yi和Xinyuan Song提出了一种创新方法，利用离线强化学习（Offline RL）来训练控制策略，从而有效管理大型语言模型（LLM）智能体的行为约束（harness）。与在线学习不同，该方法仅依赖历史数据，无需与环境实时交互即可学习如何引导智能体输出更安全、可控的结果。这一研究为提升LLM智能体在复杂任务中的可靠性提供了新思路，有望降低部署过程中的风险成本，并拓展离线强化学习在智能体控制领域的应用边界。 #LLM #离线强化学习 #智能体控制 #AI安全 #arXiv论文
近日，一篇题为《Learning to Control LLM Agent Harnesses with Offline Reinforcement Learning》的论文在arXiv平台提交。作者Haiwen Yi和Xinyuan Song提出了一种创新方法，利用离线强化学习（Offline RL）来训练控制策略，从而有效管理大型语言模型（LLM）智能体的行为约束（harness）。与在线学习不同，该方法仅依赖历史数据，无需与环境实时交互即可学习如何引导智能体输出更安全、可控的结果。这一研究为提升LLM智能体在复杂任务中的可靠性提供了新思路，有望降低部署过程中的风险成本，并拓展离线强化学习在智能体控制领域的应用边界。 #LLM #离线强化学习 #智能体控制 #AI安全 #arXiv论文
通过可控性-可观测性测试实现深度神经网络的实证最小实现压缩
arXiv上近日公开一篇预印本论文，题为《通过可控性-可观测性测试的深度神经网络经验最小实现压缩》，作者为Anis Hamadouche和Amir Hussain。该研究将控制理论中的可控性与可观测性概念引入深度神经网络压缩领域，旨在通过对网络动态特性的分析，识别并移除冗余结构，从而实现模型的最小化表示，同时保持其原有性能。这一方法属于模型压缩的前沿探索，为降低深度学习模型的存储与计算需求提供了新视角，尤其适用于资源受限的部署场景。目前论文以预印本形式在arXiv发布，并提供PDF与HTML版本供研究社区查阅。 #深度神经网络 #模型压缩 #可控性 #可观测性 #控制理论 #arXiv #AI #机器学习 #论文 #计算效率
arXiv上近日公开一篇预印本论文，题为《通过可控性-可观测性测试的深度神经网络经验最小实现压缩》，作者为Anis Hamadouche和Amir Hussain。该研究将控制理论中的可控性与可观测性概念引入深度神经网络压缩领域，旨在通过对网络动态特性的分析，识别并移除冗余结构，从而实现模型的最小化表示，同时保持其原有性能。这一方法属于模型压缩的前沿探索，为降低深度学习模型的存储与计算需求提供了新视角，尤其适用于资源受限的部署场景。目前论文以预印本形式在arXiv发布，并提供PDF与HTML版本供研究社区查阅。 #深度神经网络 #模型压缩 #可控性 #可观测性 #控制理论 #arXiv #AI #机器学习 #论文 #计算效率
Exogenous Dropout：协变量损坏下时间序列预测的简单强基线方法
近日，研究人员胡浩与艾雪山在arXiv上提交论文，提出一种名为Exogenous Dropout的简单而高效的方法，用于应对协变量损坏场景下的鲁棒时间序列预测。该方法通过随机丢弃外生协变量，模拟输入噪声或缺失情况，显著提升模型在真实数据污染条件下的稳定性与准确性。实验证明，Exogenous Dropout作为预处理或正则化策略，不仅能作为基线工具评估新算法，还在多种基准测试中超越了现有复杂鲁棒方法，为时间序列预测领域提供了一种轻量级且实用的解决方案。 #ExogenousDropout #时间序列预测 #协变量 #鲁棒性 #机器学习 #AI #学术论文 # arXiv
近日，研究人员胡浩与艾雪山在arXiv上提交论文，提出一种名为Exogenous Dropout的简单而高效的方法，用于应对协变量损坏场景下的鲁棒时间序列预测。该方法通过随机丢弃外生协变量，模拟输入噪声或缺失情况，显著提升模型在真实数据污染条件下的稳定性与准确性。实验证明，Exogenous Dropout作为预处理或正则化策略，不仅能作为基线工具评估新算法，还在多种基准测试中超越了现有复杂鲁棒方法，为时间序列预测领域提供了一种轻量级且实用的解决方案。 #ExogenousDropout #时间序列预测 #协变量 #鲁棒性 #机器学习 #AI #学术论文 # arXiv
粒度悖论：时间离散化夸大样本内拟合并加剧样本外误差
2026年7月5日，一篇题为“The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error”的论文在arXiv上提交，作者Hugo Moreira。该论文探讨了时间序列建模中的一个典型悖论：将数据拆分为更细粒度的时间单位（如从月度数据降至日频数据）虽能大幅提升模型在历史样本中的拟合精度，但这种提升具有欺骗性，会显著恶化模型在样本外的预测表现。研究揭示了时间离散化如何导致过拟合和误差放大，警示数据科学家在金融、经济等依赖时序预测的领域慎重选择数据粒度，避免被虚假的拟合效果误导。 #论文 #arXiv #时间序列 #粒度悖论 #数据科学 #预测建模 #统计学 #机器学习
2026年7月5日，一篇题为“The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error”的论文在arXiv上提交，作者Hugo Moreira。该论文探讨了时间序列建模中的一个典型悖论：将数据拆分为更细粒度的时间单位（如从月度数据降至日频数据）虽能大幅提升模型在历史样本中的拟合精度，但这种提升具有欺骗性，会显著恶化模型在样本外的预测表现。研究揭示了时间离散化如何导致过拟合和误差放大，警示数据科学家在金融、经济等依赖时序预测的领域慎重选择数据粒度，避免被虚假的拟合效果误导。 #论文 #arXiv #时间序列 #粒度悖论 #数据科学 #预测建模 #统计学 #机器学习
Weizhe Tang 团队提出几何感知基础设施锚定去噪器用于 UWB 感知与工作区域重建
Weizhe Tang 及其合作者在 arXiv 预印本平台发布了一篇题为“Geometry-Aware Infrastructure-Anchored Denoiser for UWB Sensing and Work-Zone Reconstruction”的研究论文。该工作针对超宽带（UWB）信号在施工区域等复杂环境中受到噪声干扰、影响感知与三维重建精度的问题，提出了一种几何感知基础设施锚定去噪器。该方法利用基础设施的几何结构信息作为锚定参考，设计去噪网络来有效抑制噪声，从而提升 UWB 感知数据的质量和重建结果的可靠性。研究有望为智能建造、自动化作业监测等领域提供新的技术支撑。目前论文已开放 PDF 和 HTML 全文供学界查阅。 #UWB #工作区域重建 #去噪器 #几何感知 #基础设施锚定 #arXiv #学术论文 #智能建造
Weizhe Tang 及其合作者在 arXiv 预印本平台发布了一篇题为“Geometry-Aware Infrastructure-Anchored Denoiser for UWB Sensing and Work-Zone Reconstruction”的研究论文。该工作针对超宽带（UWB）信号在施工区域等复杂环境中受到噪声干扰、影响感知与三维重建精度的问题，提出了一种几何感知基础设施锚定去噪器。该方法利用基础设施的几何结构信息作为锚定参考，设计去噪网络来有效抑制噪声，从而提升 UWB 感知数据的质量和重建结果的可靠性。研究有望为智能建造、自动化作业监测等领域提供新的技术支撑。目前论文已开放 PDF 和 HTML 全文供学界查阅。 #UWB #工作区域重建 #去噪器 #几何感知 #基础设施锚定 #arXiv #学术论文 #智能建造