物理引导的时空神经网络模型用于燃料密度预测
近日，一篇题为《物理引导的时空神经网络模型用于燃料密度预测》的学术论文提交至预印本平台arXiv。该研究由Tolga Caglar等六位作者共同完成，提出了一种融合物理定律与深度学习的时空神经网络模型，旨在提升燃料密度预测的准确性与可解释性。传统方法难以同时兼顾时空动态与物理约束，而新模型通过引入物理引导机制，在保持神经网络拟合能力的同时，确保了预测结果符合物理守恒定律。实验结果表明，该模型在多个燃料密度数据集上表现优于纯数据驱动方法，为能源领域的智能预测提供了新思路。论文目前处于申请DOI阶段，相关代码和数据有望后续公开。 #物理引导 #时空神经网络 #燃料密度预测 #深度学习 #AI #学术论文 #能源 #arXiv
近日，一篇题为《物理引导的时空神经网络模型用于燃料密度预测》的学术论文提交至预印本平台arXiv。该研究由Tolga Caglar等六位作者共同完成，提出了一种融合物理定律与深度学习的时空神经网络模型，旨在提升燃料密度预测的准确性与可解释性。传统方法难以同时兼顾时空动态与物理约束，而新模型通过引入物理引导机制，在保持神经网络拟合能力的同时，确保了预测结果符合物理守恒定律。实验结果表明，该模型在多个燃料密度数据集上表现优于纯数据驱动方法，为能源领域的智能预测提供了新思路。论文目前处于申请DOI阶段，相关代码和数据有望后续公开。 #物理引导 #时空神经网络 #燃料密度预测 #深度学习 #AI #学术论文 #能源 #arXiv
UP: Unbounded Positive Asymmetric Optimization for Breaking the Exploration
一篇来自arXiv的学术论文提出了一种名为UP（Unbounded Positive Asymmetric Optimization，无界正非对称优化）的方法，旨在打破探索与稳定性之间的经典困境。该论文由Chongyu Fan等五位作者撰写，于2026年7月8日提交。研究针对在强化学习、机器人控制及自适应系统中，算法在探索新策略与维持已有稳定表现之间难以平衡的问题，设计了无界正非对称优化策略。该方法通过非对称的梯度更新机制，使得模型在探索过程中能够保持更稳定的收敛性，从而在复杂动态环境下取得更好的性能表现。论文提供了详细的理论分析与实验验证，展示了UP在多个基准任务上的优势，为优化算法设计提供了新的思路。 #论文 #arXiv #优化 #探索稳定性 #强化学习 #机器学习 #AI #算法
一篇来自arXiv的学术论文提出了一种名为UP（Unbounded Positive Asymmetric Optimization，无界正非对称优化）的方法，旨在打破探索与稳定性之间的经典困境。该论文由Chongyu Fan等五位作者撰写，于2026年7月8日提交。研究针对在强化学习、机器人控制及自适应系统中，算法在探索新策略与维持已有稳定表现之间难以平衡的问题，设计了无界正非对称优化策略。该方法通过非对称的梯度更新机制，使得模型在探索过程中能够保持更稳定的收敛性，从而在复杂动态环境下取得更好的性能表现。论文提供了详细的理论分析与实验验证，展示了UP在多个基准任务上的优势，为优化算法设计提供了新的思路。 #论文 #arXiv #优化 #探索稳定性 #强化学习 #机器学习 #AI #算法
鲁棒联邦学习
近日，一篇题为《Robust Federated Learning Under Real-World Client Churn》的学术论文发表于arXiv预印本平台。该研究由Dhruv Garg等人共同完成，聚焦联邦学习在实际部署中面临的客户端频繁退出（即客户端流失）问题。研究提出了一种鲁棒性增强方法，旨在确保在参与设备不稳定、数量动态变化的情况下，模型仍能保持高效训练与良好性能。该工作对推动联邦学习在移动设备、边缘计算等真实场景中的应用具有重要意义，为克服数据异构性与参与方不可靠性提供了新的理论支撑与实验验证。 #联邦学习 #客户端流失 #鲁棒性 #人工智能 #机器学习 #分布式训练 #论文 #arXiv #2026
近日，一篇题为《Robust Federated Learning Under Real-World Client Churn》的学术论文发表于arXiv预印本平台。该研究由Dhruv Garg等人共同完成，聚焦联邦学习在实际部署中面临的客户端频繁退出（即客户端流失）问题。研究提出了一种鲁棒性增强方法，旨在确保在参与设备不稳定、数量动态变化的情况下，模型仍能保持高效训练与良好性能。该工作对推动联邦学习在移动设备、边缘计算等真实场景中的应用具有重要意义，为克服数据异构性与参与方不可靠性提供了新的理论支撑与实验验证。 #联邦学习 #客户端流失 #鲁棒性 #人工智能 #机器学习 #分布式训练 #论文 #arXiv #2026
混合最小二乘/梯度下降法用于MIONets
该论文提出了一种基于混合最小二乘与梯度下降的方法，用于优化MIONets（多输入输出网络）。作者通过结合两种经典算法的优势，旨在提升模型在复杂任务中的收敛速度与精度。论文详细介绍了该方法的核心原理、数学推导及实验验证，结果显示在多个基准测试上，该混合方法相较传统梯度下降算法表现出更优的性能与稳定性。该研究为神经网络训练提供了新的优化思路，有望推动MIONets在图像识别、自然语言处理等领域的应用。论文已提交至arXiv平台，正在等待DataCite的DOI注册。 #论文 #机器学习 #优化算法 #MIONets #最小二乘 #梯度下降 #AI #arXiv
该论文提出了一种基于混合最小二乘与梯度下降的方法，用于优化MIONets（多输入输出网络）。作者通过结合两种经典算法的优势，旨在提升模型在复杂任务中的收敛速度与精度。论文详细介绍了该方法的核心原理、数学推导及实验验证，结果显示在多个基准测试上，该混合方法相较传统梯度下降算法表现出更优的性能与稳定性。该研究为神经网络训练提供了新的优化思路，有望推动MIONets在图像识别、自然语言处理等领域的应用。论文已提交至arXiv平台，正在等待DataCite的DOI注册。 #论文 #机器学习 #优化算法 #MIONets #最小二乘 #梯度下降 #AI #arXiv
插补与聚类结合
近日，一篇题为《Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery》的论文引发关注。该研究由Chuyao Zhang等八位作者共同完成，提出将数据插补与聚类分析相结合的新框架，通过挖掘数据中隐藏的子组结构来提升缺失值恢复的准确性与鲁棒性。传统插补方法往往忽略样本间的异质性，而该工作利用聚类揭示潜在分组模式，使插补过程能针对不同子组分别建模，从而更精细地还原缺失数据。实验表明，该方法在多种缺失机制和数据集上均优于常见基准方法，为数据预处理和机器学习中的缺失值问题提供了有效解决方案。相关论文已在arXiv预印本平台发布。 #缺失数据 #插补 #聚类 #机器学习 #数据科学 #论文 #arXiv
近日，一篇题为《Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery》的论文引发关注。该研究由Chuyao Zhang等八位作者共同完成，提出将数据插补与聚类分析相结合的新框架，通过挖掘数据中隐藏的子组结构来提升缺失值恢复的准确性与鲁棒性。传统插补方法往往忽略样本间的异质性，而该工作利用聚类揭示潜在分组模式，使插补过程能针对不同子组分别建模，从而更精细地还原缺失数据。实验表明，该方法在多种缺失机制和数据集上均优于常见基准方法，为数据预处理和机器学习中的缺失值问题提供了有效解决方案。相关论文已在arXiv预印本平台发布。 #缺失数据 #插补 #聚类 #机器学习 #数据科学 #论文 #arXiv
Intrinsic-Noise Consolidation
一篇arXiv预印本论文提出了一种名为“Intrinsic-Noise Consolidation”的创新方法，利用Doob-屏障条件扩散将模拟设备中的固有噪声转化为持续学习（continual learning）的资源。传统上，噪声被视为干扰信号，但该研究通过数学建模，将噪声纳入学习过程，使得模型在依次学习多个任务时能有效缓解灾难性遗忘。该方法通过条件扩散过程对噪声进行结构化利用，在不增加额外存储或计算负担的前提下提升连续学习性能。论文作者Gunner Levi Howe指出，该工作为模拟计算硬件与持续学习算法的结合开辟了新路径，尤其适用于资源受限的边缘设备。相关研究已提交arXiv并于2026年7月发布。 #AI #持续学习 #模拟噪声 #扩散模型 #机器学习 #Doob屏障 #arXiv
一篇arXiv预印本论文提出了一种名为“Intrinsic-Noise Consolidation”的创新方法，利用Doob-屏障条件扩散将模拟设备中的固有噪声转化为持续学习（continual learning）的资源。传统上，噪声被视为干扰信号，但该研究通过数学建模，将噪声纳入学习过程，使得模型在依次学习多个任务时能有效缓解灾难性遗忘。该方法通过条件扩散过程对噪声进行结构化利用，在不增加额外存储或计算负担的前提下提升连续学习性能。论文作者Gunner Levi Howe指出，该工作为模拟计算硬件与持续学习算法的结合开辟了新路径，尤其适用于资源受限的边缘设备。相关研究已提交arXiv并于2026年7月发布。 #AI #持续学习 #模拟噪声 #扩散模型 #机器学习 #Doob屏障 #arXiv
边缘系统延迟约束的DNN架构学习
该论文发表于《Future Generation Computer Systems》期刊，提出了一种针对边缘系统的延迟约束深度神经网络（DNN）架构学习方法，核心创新在于引入零化批归一化（Zerorized Batch Normalization）技术。边缘设备资源受限，对推理延迟有严格要求，传统架构搜索难以兼顾精度与效率。该方法通过将批归一化层参数化为零化形式，在训练过程中自动学习网络结构，同时显式约束延迟目标，从而在保持模型精度的前提下大幅降低推理延迟。实验结果表明，该方法在多种边缘硬件平台上均能有效压缩网络并满足实时性要求，为边缘智能部署提供了可扩展的解决方案。 #深度学习 #边缘计算 #神经网络架构搜索 #延迟约束 #零化批归一化 #学术论文 #DNN
该论文发表于《Future Generation Computer Systems》期刊，提出了一种针对边缘系统的延迟约束深度神经网络（DNN）架构学习方法，核心创新在于引入零化批归一化（Zerorized Batch Normalization）技术。边缘设备资源受限，对推理延迟有严格要求，传统架构搜索难以兼顾精度与效率。该方法通过将批归一化层参数化为零化形式，在训练过程中自动学习网络结构，同时显式约束延迟目标，从而在保持模型精度的前提下大幅降低推理延迟。实验结果表明，该方法在多种边缘硬件平台上均能有效压缩网络并满足实时性要求，为边缘智能部署提供了可扩展的解决方案。 #深度学习 #边缘计算 #神经网络架构搜索 #延迟约束 #零化批归一化 #学术论文 #DNN
论文提出进化式自监督图像聚类新方法
近日，arXiv 上发布了一篇题为《Converge to Surprise: Evolutionary Self-supervised Image Clustering》的论文，作者为 Canlin Zhang 和 Xiuwen Liu。该论文提出了一种名为“收敛到惊喜”的进化式自监督图像聚类方法，利用进化策略在无标签数据中自动学习聚类特征。论文目前以预印本形式公开，尚未正式登记录入 DOI，但已引起相关领域关注。自监督学习是当前计算机视觉的重要方向，该方法通过引入进化机制，可能为图像聚类任务提供新的思路和性能提升。具体技术细节和实验评估有待进一步公开。 #论文 #arXiv #自监督学习 #图像聚类 #计算机视觉 #进化算法 #AI #机器学习
近日，arXiv 上发布了一篇题为《Converge to Surprise: Evolutionary Self-supervised Image Clustering》的论文，作者为 Canlin Zhang 和 Xiuwen Liu。该论文提出了一种名为“收敛到惊喜”的进化式自监督图像聚类方法，利用进化策略在无标签数据中自动学习聚类特征。论文目前以预印本形式公开，尚未正式登记录入 DOI，但已引起相关领域关注。自监督学习是当前计算机视觉的重要方向，该方法通过引入进化机制，可能为图像聚类任务提供新的思路和性能提升。具体技术细节和实验评估有待进一步公开。 #论文 #arXiv #自监督学习 #图像聚类 #计算机视觉 #进化算法 #AI #机器学习
Geometric Self-Distillation 论文上线 arXiv，聚焦推理泛化
一篇题为《Geometric Self-Distillation for Reasoning Generalization》的学术论文于2026年7月7日提交至预印本平台arXiv。该论文由Josip Jukić等人撰写，主要探讨通过几何自蒸馏方法提升推理模型的泛化能力。目前论文已提供PDF、HTML及TeX源码版本，可在arXiv平台免费获取，并支持多种文献管理工具导出。这一研究为推理模型的训练与优化提供了新思路，引起了相关领域研究者的关注。 #论文 #arXiv #推理泛化 #自蒸馏 #几何 #机器学习 #AI研究
一篇题为《Geometric Self-Distillation for Reasoning Generalization》的学术论文于2026年7月7日提交至预印本平台arXiv。该论文由Josip Jukić等人撰写，主要探讨通过几何自蒸馏方法提升推理模型的泛化能力。目前论文已提供PDF、HTML及TeX源码版本，可在arXiv平台免费获取，并支持多种文献管理工具导出。这一研究为推理模型的训练与优化提供了新思路，引起了相关领域研究者的关注。 #论文 #arXiv #推理泛化 #自蒸馏 #几何 #机器学习 #AI研究
LEMUR 2 论文提出解锁神经网络多样性新方向
据预印本平台 arXiv 消息，一篇题为《LEMUR 2: Unlocking Neural Network Diversity for AI》的研究论文正式上线。该论文由 Tolgay Atinc Uzun 等19位作者共同提交，提交日期为2026年7月7日。研究聚焦于提升神经网络的多样性，旨在通过探索模型内部结构与训练策略的差异，为人工智能系统带来更强大的泛化能力与鲁棒性。论文目前提供 PDF 与 HTML 版本，并关联了代码、数据与相关工具链接，其计算机科学领域的浏览上下文表明该工作属于机器学习和人工智能前沿方向。LEMUR 系列此前已在学术圈引起关注，LEMUR 2 的发布有望为神经网络设计提供新的理论支撑与实践指导。 #神经网络 #多样性 #AI #论文 #arXiv #LEMUR2 #机器学习
据预印本平台 arXiv 消息，一篇题为《LEMUR 2: Unlocking Neural Network Diversity for AI》的研究论文正式上线。该论文由 Tolgay Atinc Uzun 等19位作者共同提交，提交日期为2026年7月7日。研究聚焦于提升神经网络的多样性，旨在通过探索模型内部结构与训练策略的差异，为人工智能系统带来更强大的泛化能力与鲁棒性。论文目前提供 PDF 与 HTML 版本，并关联了代码、数据与相关工具链接，其计算机科学领域的浏览上下文表明该工作属于机器学习和人工智能前沿方向。LEMUR 系列此前已在学术圈引起关注，LEMUR 2 的发布有望为神经网络设计提供新的理论支撑与实践指导。 #神经网络 #多样性 #AI #论文 #arXiv #LEMUR2 #机器学习
文本到SQL正确性预测研究
一项名为《文本到SQL正确性预测研究：选择性预测方法》的学术论文近日在arXiv预印本平台发布。该研究由Robert Richardson完成，聚焦于自然语言转结构化查询语言（Text-to-SQL）任务中如何预测生成结果的正确性。研究提出了一种选择性预测框架，旨在评估模型输出可信度，从而在不确定时选择不生成答案，提升整体可靠性。论文详细分析了影响正确性的关键因素，并探讨了该方法在数据库查询生成场景中的应用价值。该工作为提升Text-to-SQL系统的鲁棒性和实用性提供了新思路。 #TextToSQL #选择性预测 #自然语言处理 #数据库查询 #AI可靠性 #arXiv #学术研究
一项名为《文本到SQL正确性预测研究：选择性预测方法》的学术论文近日在arXiv预印本平台发布。该研究由Robert Richardson完成，聚焦于自然语言转结构化查询语言（Text-to-SQL）任务中如何预测生成结果的正确性。研究提出了一种选择性预测框架，旨在评估模型输出可信度，从而在不确定时选择不生成答案，提升整体可靠性。论文详细分析了影响正确性的关键因素，并探讨了该方法在数据库查询生成场景中的应用价值。该工作为提升Text-to-SQL系统的鲁棒性和实用性提供了新思路。 #TextToSQL #选择性预测 #自然语言处理 #数据库查询 #AI可靠性 #arXiv #学术研究
知识蒸馏提升时间序列分类深度学习模型性能
一篇发表于《知识与信息系统》期刊的研究论文提出，通过知识蒸馏技术可显著增强深度学习模型在时间序列分类任务中的表现。该论文由Javidan Abdullayev等学者完成，于2026年收录于第68卷第215条。知识蒸馏是一种模型压缩与知识迁移方法，通过让小型学生模型学习大型教师模型的输出分布，在保持较高分类精度的同时降低计算开销。研究团队在多个公开时间序列数据集上验证了该方法，结果表明蒸馏后的轻量级模型在准确率和效率上均优于直接训练的同等规模模型，尤其适用于资源受限的部署场景。该工作为时间序列分析领域提供了新的优化思路，有望推动工业监控、医疗诊断等实时处理应用的发展。 #时间序列分类 #知识蒸馏 #深度学习 #模型压缩 #AI #论文 #arXiv
一篇发表于《知识与信息系统》期刊的研究论文提出，通过知识蒸馏技术可显著增强深度学习模型在时间序列分类任务中的表现。该论文由Javidan Abdullayev等学者完成，于2026年收录于第68卷第215条。知识蒸馏是一种模型压缩与知识迁移方法，通过让小型学生模型学习大型教师模型的输出分布，在保持较高分类精度的同时降低计算开销。研究团队在多个公开时间序列数据集上验证了该方法，结果表明蒸馏后的轻量级模型在准确率和效率上均优于直接训练的同等规模模型，尤其适用于资源受限的部署场景。该工作为时间序列分析领域提供了新的优化思路，有望推动工业监控、医疗诊断等实时处理应用的发展。 #时间序列分类 #知识蒸馏 #深度学习 #模型压缩 #AI #论文 #arXiv
神经网络超表达近似研究获显式方法突破
近日，一篇题为《On Explicit Super-Expressive Approximation for Neural Networks》的研究论文在arXiv预印本平台发布。该研究由Feng-Lei Fan、Ze-Yu Li、Chen-Yu Wang和Jian-Jun Wang共同完成，聚焦于神经网络的超表达近似问题，提出了一种显式构造方法。传统神经网络近似理论多关注宽度或深度对表达能力的影响，而该工作则在超表达框架下给出了明确的理论近似方案，有望为后续神经网络架构设计与表达能力分析提供新视角。论文已提供PDF和HTML预览版本，并附带相关引用工具与资源链接。 #神经网络 #超表达近似 #机器学习 #AI #arXiv #学术论文
近日，一篇题为《On Explicit Super-Expressive Approximation for Neural Networks》的研究论文在arXiv预印本平台发布。该研究由Feng-Lei Fan、Ze-Yu Li、Chen-Yu Wang和Jian-Jun Wang共同完成，聚焦于神经网络的超表达近似问题，提出了一种显式构造方法。传统神经网络近似理论多关注宽度或深度对表达能力的影响，而该工作则在超表达框架下给出了明确的理论近似方案，有望为后续神经网络架构设计与表达能力分析提供新视角。论文已提供PDF和HTML预览版本，并附带相关引用工具与资源链接。 #神经网络 #超表达近似 #机器学习 #AI #arXiv #学术论文
高效贝叶斯深度集成
一篇题为《Efficient Bayesian Deep Ensembles via Analytic Predictive Inference》的学术论文已在arXiv预印本平台发布。该研究由Sina Aghaee Dabaghan Fard、Marie Maros和Jaesung Lee共同完成，提交于2026年7月7日。论文提出了一种通过解析预测推理实现高效贝叶斯深度集成的方法，旨在提升深度集成模型的预测性能与计算效率。研究内容涉及机器学习与统计领域，目前可通过PDF、HTML及TeX源码形式获取全文。该工作得到了arXiv社区的支持，并遵循开放、卓越及用户数据隐私等价值观。 #arXiv #贝叶斯深度集成 #解析预测推理 #机器学习 #论文
一篇题为《Efficient Bayesian Deep Ensembles via Analytic Predictive Inference》的学术论文已在arXiv预印本平台发布。该研究由Sina Aghaee Dabaghan Fard、Marie Maros和Jaesung Lee共同完成，提交于2026年7月7日。论文提出了一种通过解析预测推理实现高效贝叶斯深度集成的方法，旨在提升深度集成模型的预测性能与计算效率。研究内容涉及机器学习与统计领域，目前可通过PDF、HTML及TeX源码形式获取全文。该工作得到了arXiv社区的支持，并遵循开放、卓越及用户数据隐私等价值观。 #arXiv #贝叶斯深度集成 #解析预测推理 #机器学习 #论文
高效长视界学习用于学习优化新论文在arXiv提交
据arXiv预印本平台信息，一篇题为"Efficient Long-Horizon Learning for Learned Optimization"的研究论文于2026年7月7日由作者Xiaolong Huang等四人提交。该论文聚焦于学习优化领域，针对长视界学习这一关键挑战，旨在提升优化算法在长时间跨度上的性能与效率。当前论文的PDF及HTML版本已在arXiv上开放获取，相关代码与数据链接尚未公布。该研究对于自动化机器学习、超参数优化以及持续学习等应用具有潜在意义，有助于推动优化器学习在复杂任务中的长期自适应能力。学术界和工业界的研究人员可访问arXiv平台获取详细全文。 #机器学习 #优化算法 #长视界学习 #arXiv #学术论文 #AI #深度优化
据arXiv预印本平台信息，一篇题为"Efficient Long-Horizon Learning for Learned Optimization"的研究论文于2026年7月7日由作者Xiaolong Huang等四人提交。该论文聚焦于学习优化领域，针对长视界学习这一关键挑战，旨在提升优化算法在长时间跨度上的性能与效率。当前论文的PDF及HTML版本已在arXiv上开放获取，相关代码与数据链接尚未公布。该研究对于自动化机器学习、超参数优化以及持续学习等应用具有潜在意义，有助于推动优化器学习在复杂任务中的长期自适应能力。学术界和工业界的研究人员可访问arXiv平台获取详细全文。 #机器学习 #优化算法 #长视界学习 #arXiv #学术论文 #AI #深度优化