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

可学习加权方法提升类别数据聚类性能

近日，一项针对含标称与有序属性的类别数据聚类研究取得进展。该研究提出一种可学习的属性内距离加权方法，通过自适应学习各属性的距离权重，有效改善了传统聚类算法在处理混合类型属性时的距离度量难题。相关论文已被《IEEE模式分析与机器智能汇刊》（2022年）录用，为数据挖掘和机器学习领域的类别数据分析提供了新思路。 #机器学习 #数据聚类 #类别数据 #距离加权 #TPAMI #IEEE #人工智能 #数据挖掘

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

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

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

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

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

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

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

新方法 Design-CP 利用上下文并行加速蛋白质纳米颗粒设计

一篇题为《Design-CP: Context Parallelism for Design of Protein Nanoparticles》的论文在 arXiv 上发布。该研究由 Lorenzo Tarricone 等三人合作完成，提出了一种名为 Design-CP 的上下文并行方法，旨在优化蛋白质纳米颗粒的设计流程。蛋白质纳米颗粒在疫苗开发、药物递送及生物材料领域具有广阔应用前景，但其计算设计过程往往计算密集且耗时。Design-CP 通过并行处理上下文信息，显著提升了设计效率，同时保持了对纳米颗粒结构特性的精准控制。作者在论文中展示了该方法在多种设计任务上的表现，验证了其在降低计算开销、加速迭代优化方面的潜力。目前该论文提供 PDF 及 HTML 版本，相关代码与数据链接已同步公开，供研究人员复现与扩展。这项成果有望推动蛋白质纳米颗粒的快速理性设计，为生物工程与纳米医学领域提供新的计算工具。 #蛋白质纳米颗粒 #DesignCP #上下文并行 #arXiv #计算生物学 #生物工程 #纳米医学 #加速设计 #并行计算

统计有意义的几何与规范对称性破缺理论提出，为智能涌现提供几何框架

近日，一篇题为《Statistically Meaningful Geometry and Gauge Symmetry Breaking: A Geometric Foundation for Scientific Discovery and Intelligence Emergence》的论文在arXiv预印本平台正式提交。该论文由Bing Cheng等三位研究人员共同撰写，提出将统计有意义的几何（Statistically Meaningful Geometry）与规范对称性破缺（Gauge Symmetry Breaking）相融合，构建一个统一的几何基础，旨在解释科学发现过程以及智能涌现现象。研究认为，这种几何框架可能为理解复杂系统中的模式形成、知识发现以及人工智能的涌现特性提供全新的理论视角。目前论文已公开，正等待学术界进一步评审与探讨。 #arXiv #几何理论 #规范对称性 #智能涌现 #科学发现 #人工智能 #理论物理 #复杂系统

有界峰度下确切最坏情况尾概率

据arXiv平台显示，一篇题为《The Exact Worst-Case Tail Probability under Bounded Kurtosis》的数学与统计学论文近日提交并更新。该论文由Xiaoyu Li与其他三位作者共同完成，深入研究了在峰度（衡量分布尾部厚度的重要指标）有界的情况下，尾概率可能达到的最坏情况精确值。通过严谨的理论推导，论文给出了显式的数学表达式，揭示了在给定峰度约束下尾概率的上界。这一成果对于概率论、风险管理、金融保险等领域具有重要的理论指导意义，有助于更好地理解和评估极端事件的发生概率。目前论文已发布第二版，并提供PDF和HTML版本供学界查阅。 #数学 #统计学 #概率论 #尾概率 #峰度 #风险管理 #学术研究 #arXiv

稳定化高阶影响函数理论论文在arXiv发布

学者Na Liu与合作者近日在arXiv预印本平台提交题为《稳定化的高阶影响函数：一类双线性形式的统计理论》的论文。该研究聚焦于影响函数（influence functions）的推广，针对双线性形式提出了一种稳定化的高阶影响函数，并系统建立了其统计理论。高阶影响函数在统计推断与模型诊断中具有关键作用，但传统方法往往受限于不稳定性。该工作从理论层面给出了一类特殊形式的收敛性与稳健性分析，有望为机器学习、计量经济学等领域的模型评估提供更严谨的数学工具。论文于2026年7月首次提交，后经一次修订，目前提供HTML、PDF及TeX源码下载。 #统计学 #影响函数 #高阶影响函数 #双线性形式 #arXiv #论文 #机器学习 #统计理论 #稳健推断

破译大语言模型解码陷阱

近日，一篇题为《Breaking the Likelihood Trap: Variance-Calibrated Modulation for Large Language Model Decoding》的论文在arXiv预印本平台发布。该研究由Yuanhao Ding等五位学者完成，针对大语言模型（LLM）解码过程中普遍存在的“似然陷阱”问题，提出了一种名为方差校准调制的新方法。该方法通过动态调整模型输出概率分布的方差，旨在避免解码陷入过度确定或重复生成的低质量状态，从而提升文本生成的多样性与准确性。论文于2026年6月首次提交，7月更新第二版，现可免费获取全文。这项研究对优化LLM的生成策略具有潜在价值，属于计算机科学与统计学的交叉探索。 #论文 #大语言模型 #解码 #LLM #arXiv #AI #方差校准 #似然陷阱

分布式数据中心能量与AIGC调度研究提出扩散辅助奖励塑形新方法

一篇提交至arXiv的学术论文提出了联合能量管理与协调AIGC工作负载调度的方法。该研究由Yang Fu等六位作者完成，针对分布式数据中心能源消耗高昂、AIGC任务调度复杂等挑战，引入基于扩散模型辅助的奖励塑形策略。该方法通过扩散过程对奖励函数进行重塑，使智能体在动态环境中更有效地平衡能源成本和计算性能。研究团队还公开了相关代码与数据，以促进学术交流和实践应用。该工作为绿色数据中心建设和高效AI计算提供了新的技术路径。 #arXiv #论文 #能量管理 #AIGC #数据中心 #扩散模型 #奖励塑形 #人工智能 #能源效率

Conformal Prediction Sets for Instance Segmentation

Focus to learn more arXiv-issued DOI via DataCite Submission history From: Kerri Lu [ view email ] [v1] Tue, 10 Feb 2026 18:15:06 UTC (2,380 KB) [v2] Tue, 7 Jul 2026 10:45:01 UTC (2,766 KB) Full-text links: Access Paper: View a PDF of the paper titled Conformal Prediction Sets for Instance Segmentation, by Kerri Lu and 3 other authors View PDF TeX Source view license Current browse context: < prev | next > new | recent | 2026-02 Change to browse by: cs stat References & Citations 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? ) L

itmaps 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? ) 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 .

《Factorizable joint shift revisited》论文发表，重新审视联合漂移可分解性

Dirk Tasche 在《Foundations of Data Science》期刊上发表了题为《Factorizable joint shift revisited》的论文，该研究聚焦于机器学习中的联合漂移（joint shift）问题，重新探讨其可分解性性质。论文于2026年1月提交至arXiv预印本平台，随后经过多个版本更新，最终以早期访问形式被期刊接收。联合漂移是分布偏移的一种重要形式，在迁移学习、领域自适应等领域具有关键影响。该成果为理解联合漂移的分解条件提供了新的理论视角，有助于推动相关算法的设计与优化。 #机器学习 #分布偏移 #迁移学习 #学术论文 #arXiv #数据科学 #人工智能

Geometric Stability: The Missing Axis of Representations 论文在 arXiv 发布

arXiv 预印本平台近日更新了一篇题为《Geometric Stability: The Missing Axis of Representations》的研究论文。该论文由研究者 Prashant Raju 撰写，自 2026 年 1 月首次提交以来，经过多次修订，至 7 月已更新至第五版。论文聚焦表示学习领域，提出几何稳定性是当前模型表示中一个被忽视的关键维度，对提升深度学习模型在几何变换下的鲁棒性与泛化能力具有潜在价值。该工作已引发学术社区关注，并提供新的理论视角。 #arXiv #论文 #表示学习 #几何稳定性 #机器学习 #深度学习 #AI #学术研究

Medix: Out-of-Distribution Detection from Unlabeled Wild Data via Robust Gradient Statistics

Focus to learn more arXiv-issued DOI via DataCite Submission history From: Momin Abbas [ view email ] [v1] Tue, 7 Oct 2025 22:43:57 UTC (931 KB) [v2] Mon, 6 Jul 2026 19:59:23 UTC (2,575 KB) Full-text links: Access Paper: View a PDF of the paper titled Medix: Out-of-Distribution Detection from Unlabeled Wild Data via Robust Gradient Statistics, by Momin Abbas and Ali Falahati and Hossein Goli and Mohammad Mohammadi Amiri View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2025-10 Change to browse by: cs math stat References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tool

s 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 .