深度学习新方法求解反射布朗运动平稳分布

近日，研究人员Jim Dai与张展豪在arXiv预印本平台提交了一篇题为《Deep Learning Method for Stationary Distribution of Reflected Brownian Motion》的论文。该研究提出了一种基于深度学习的方法，用于计算反射布朗运动的平稳分布。反射布朗运动在排队论、金融数学及随机过程等领域具有重要应用，其平稳分布的求解长期依赖传统解析或数值方法。新方法通过神经网络逼近平稳分布函数，有望在复杂边界条件下提升计算效率与精度。论文目前以PDF形式公开，并提供HTML预览及TeX源码，供学术界进一步探讨与验证。 #深度学习 #反射布朗运动 #平稳分布 #arXiv #论文 #数学 #机器学习 #排队论

模块化预训练实现访问控制新方法

一篇题为《Modular Pretraining Enables Access Control》的学术论文近日在arXiv预印本平台提交。该论文由Ethan Roland等11位作者共同完成，提出了一种基于模块化预训练技术的机器学习模型访问控制方法。研究旨在解决大模型部署中的权限管理难题，通过将模型拆分为独立可训练的模块，实现对不同用户或任务的差异化访问授权。论文于2026年7月9日提交，目前可在arXiv上获取全文。这一方法为AI安全与隐私保护提供了新的思路，有望在模型共享、多租户场景中提升灵活性与安全性。 #模块化预训练 #访问控制 #AI安全 #arXiv #机器学习 #论文 #大模型 #隐私保护

跨模态生成框架实现胎儿心电图至多普勒波形转换

该研究提出了一种跨模态生成框架，用于将胎儿-母亲心电图信号转换为胎儿多普勒波形。该框架利用生成模型学习两种信号模态之间的映射关系，能够在不依赖专用多普勒设备的情况下，从常规心电图数据中合成出高质量的胎儿多普勒波形。实验结果表明，该方法在信号保真度和临床相关指标上表现优异，有望降低产前监护成本并扩展监测场景。相关论文已提交至arXiv预印本平台。 #论文 #arXiv #跨模态生成 #胎儿监护 #生物医学工程 #深度学习 #信号处理 #产前诊断

当思考成为负担

一项由研究人员Mayank Singal提交的最新研究探讨了视觉语言模型在推理过程中“思考”可能带来的负面影响。该论文题为《When Thinking Hurts: Epistemic Signals in the Reasoning Chains of Visual Language Models》，重点分析了模型在生成多步推理链时，如何通过认知信号判断哪些推理步骤实际上损害了答案质量。研究指出，并非所有中间推理都有助于提升准确性，某些冗余或错误的推理链反而会引入噪声。通过识别这些“有害”的认知信号，模型可以更高效地调整推理策略，从而在视觉问答等任务中提高性能。该工作为理解大模型内部推理机制提供了新视角，并可能启发未来更智能的推理控制方法。 #视觉语言模型 #推理链 #认知信号 #AI研究 #arXiv #大模型 #机器学习

系统感知的KV缓存优化综述

一篇题为《Towards Efficient Large Language Model Serving: A Survey on System-Aware KV Cache Optimization》的综述论文被ACL 2026 Findings接收。该论文系统梳理了面向大语言模型服务的高效KV缓存优化方法，重点从系统感知角度分析缓存管理、内存调度与推理加速等关键技术。随着大语言模型规模持续增长，KV缓存已成为服务部署的主要瓶颈，通过系统级优化可显著降低推理延迟与计算成本。文章总结了现有方法的优势与局限，并展望了未来研究方向，为构建高效、可扩展的LLM服务系统提供了重要参考。 #大语言模型 #KV缓存 #系统优化 #综述 #ACL2026 #推理加速 #内存管理

谁在分析分析者？自验证LLM危害分析新方法提出

一篇来自arXiv的论文提出了一种名为“Constitutional Meta-STPA”的自验证方法，用于对大语言模型进行危害分析。该方法旨在解决传统分析中“谁分析分析者”的悖论，通过引入宪法性约束和元分析框架，使LLM能够自我评估和验证其危害分析结果。研究团队展示了该方法在识别和缓解潜在风险方面的有效性，为AI安全领域提供了新的思路。 #AI安全 #大语言模型 #危害分析 #自验证 #arXiv论文

贝叶斯扩散模型中泛化相变的精确信息论

据arXiv预印本论文，Henry Hunt等人提出了一种精确信息论，用于解释贝叶斯扩散模型中的泛化相变现象。贝叶斯扩散模型是当前生成模型的重要分支，其泛化相变描述了模型从过拟合到泛化的关键转变。该研究从信息论角度出发，给出了这一相变的精确数学刻画，为理解扩散模型的泛化能力及设计更优模型提供了理论支撑。论文目前已在arXiv上公开，供学术社区讨论。 #arXiv #贝叶斯扩散模型 #泛化相变 #信息论 #机器学习 #生成模型

率失真视角下的LLM与智能体记忆压缩

来自arXiv的一篇研究论文提出了用率失真理论（Rate-Distortion Theory）来审视大语言模型（LLMs）和智能体中的记忆压缩问题。该论文指出，在有限资源下，模型需要决定哪些信息值得保留、哪些可以遗忘，这一权衡可通过率失真框架进行数学建模。作者将记忆压缩视为一种有损编码过程，并探讨了如何在不显著影响模型性能的前提下，通过优化压缩策略来提升存储效率和推理速度。该研究为理解模型内部记忆管理机制提供了新的理论视角，并可能对未来高效LLM和智能体系统的设计产生重要影响。 #LLM #记忆压缩 #率失真理论 #AI #智能体 #arXiv #机器学习

小型视觉语言模型量化新方法

一篇来自学术预印本平台arXiv的论文提出了一种针对小型视觉语言模型（VLM）的量化新思路。研究团队从组件级分析入手，系统评估不同模块对量化误差的敏感度，进而设计出硬件感知的边缘部署方案。该方法旨在解决小型VLM在资源受限设备上部署时的精度与效率平衡问题，为边缘AI应用提供更实用的量化策略。论文作者包括Hyeju Shin等五位研究者，于2026年7月提交。 #视觉语言模型 #模型量化 #边缘部署 #AI #arXiv #深度学习 #硬件感知

PGD-NO: 预计算几何分解神经算子实现百万级三维物理模拟

研究人员提出一种名为PGD-NO的新型神经算子，通过预计算几何分解技术，显著提升三维百万级物理模拟的效率和精度。该方法将复杂几何结构预先分解为可学习的子域，结合神经网络算子进行高效求解，避免了传统数值模拟中网格重生成和迭代计算的高昂成本。实验表明，PGD-NO在百万级网格规模下，计算速度提升数十倍，同时保持高保真度，可用于流体力学、结构力学等领域的快速仿真。该工作为大规模物理模拟提供了新的深度学习范式，有望推动工业仿真和科学计算的发展。 #PGDNO #神经算子 #物理模拟 #三维仿真 #深度学习 #计算科学 #几何分解 #arXiv

Collate 协作神经网络学习

近日，一篇题为《Collate: Collaborative Neural Network Learning for Latency-Critical Edge Systems》的论文被收录于2022年IEEE第40届国际计算机设计会议（ICCD）。该研究由Shuo Huai等人提出，针对边缘系统中对延迟高度敏感的应用场景，设计了一种协作神经网络学习框架。通过让多个边缘设备协同训练与推理，Collate 在保证模型精度的同时，显著降低了端到端响应延迟，为实时性要求严苛的物联网、自动驾驶等场景提供了可行方案。论文已上线arXiv预印本平台，并公开了相关代码与数据资源。 #边缘计算 #神经网络 #协作学习 #延迟优化 #ICCD #IEEE #AI #物联网 #工业计算

研究提出辅助游戏的可证明最优学习算法

一篇题为“Provably Optimal Learning Algorithms for Assistance Games”的学术论文近日在arXiv预印本平台发布。该论文由Nivasini Ananthakrishnan等五位研究者共同完成，聚焦于人工智能对齐领域中的辅助游戏（Assistance Games）框架。研究团队提出了可证明最优的学习算法，从理论上保证了算法在辅助游戏场景中的性能最优性，为AI系统如何更有效地协助人类提供了坚实的理论基础。该成果属于计算机科学范畴，对推动人机协作与AI安全研究具有重要参考价值。 #论文 #arXiv #辅助游戏 #学习算法 #AI #计算机科学 #人机协作 #人工智能对齐

KronQ: LLM Quantization via Kronecker

来自arXiv的最新论文提出了一种名为KronQ的大语言模型量化方法。该方法利用Kronecker分解的Hessian矩阵来优化量化过程，在保持模型性能的同时显著降低计算资源需求。研究团队通过实验验证，该技术能有效压缩LLM的权重和激活值，减少内存占用和推理延迟，为在边缘设备上部署大型语言模型提供了新思路。论文作者包括Donghyun Lee等人，于2026年7月提交，相关代码和数据已在GitHub等平台公开。 #LLM #量化 #Kronecker #Hessian #深度学习 #模型压缩 #AI #论文 #arXiv

线性注意力架构

一项关于线性注意力架构的最新研究以预印本形式发表于arXiv。该论文由Tommaso Cerruti等五位作者共同完成，系统梳理了线性注意力机制的核心原理，深入分析了其在计算效率与模型性能之间的权衡关系。论文重点提出了一种新颖的跨层路由方法，旨在优化注意力分布在不同网络层间的传递，从而降低传统Transformer模型在处理长序列时的二次复杂度。这项研究为设计更高效、可扩展的深度学习架构提供了理论依据和实验参考，有望推动自然语言处理、计算机视觉等领域的轻量化模型发展。 #人工智能 #机器学习 #注意力机制 #线性注意力 #Transformer #深度学习 #论文 #arXiv

评估基础模型在极端环境事件中的泛化能力

一篇发表在arXiv上的研究论文评估了基础模型在极端环境事件中的泛化能力，以加利福尼亚州野火导致的PM2.5污染为案例。研究由Yongcan Huang等人完成，旨在检验当前先进的基础模型能否有效预测并泛化至罕见且剧烈的环境灾害场景。加州野火频发，其产生的PM2.5浓度波动剧烈，对空气质量模型提出严峻挑战。论文通过对比多类基础模型在历史野火数据上的表现，分析了模型在不同时空条件下的预测鲁棒性。研究发现，现有基础模型在正常天气条件下表现良好，但在极端野火事件中泛化能力显著下降，亟需针对极端分布进行专门优化。该工作为将人工智能应用于环境应急响应提供了关键参考，也揭示了基础模型在气候变化适应中的局限性。 #arXiv #基础模型 #环境事件 #野火 #PM2.5 #泛化能力 #机器学习 #加州 #气候变化 #论文

path_boost：基于路径梯度提升的可解释图预测Python包

近日，研究人员在arXiv上发布了一篇论文，介绍了一款名为path_boost的Python包，该包专注于基于路径的梯度提升方法，实现可解释的图级别预测。该工具由Claudio Meggio等人开发，旨在为图结构数据提供一种高效且可解释的预测方案。路径梯度提升方法通过提取图中的路径特征，结合梯度提升框架，在保持预测性能的同时增强了模型的可解释性。该包适用于化学、社交网络、生物信息学等多个领域的图分析任务，为研究人员和开发者提供了便捷的解决方案。论文已提交至arXiv预印本平台，并提供了完整的PDF和代码链接。 #Python #机器学习 #图预测 #梯度提升 #可解释AI #arXiv #开源 #学术论文

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

高效安全对齐

近日，一篇题为《Efficient Safety Alignment of Language Models via Latent Personality Traits》的论文在arXiv上提交。该研究由Mohamed Amine Merzouk等五位学者共同完成，提出通过挖掘语言模型中的潜在人格特质来实现高效的安全对齐。传统方法依赖大量人工标注与计算资源，而该工作借鉴人格心理学中的潜在特质模型，以更低成本引导模型行为符合安全规范。这一方法有望提升AI系统的可控性与安全性，为大模型的安全部署提供新思路。论文于2026年7月8日提交，目前可在arXiv上获取全文。 #AI安全 #语言模型 #人格特质 #arXiv #论文 #机器学习 #安全对齐 #大模型

多模态遗忘学习综述：覆盖视觉、语言、视频与音频的方法、数据集与基准

近日，一篇由Nobin Sarwar等人撰写的综述论文在arXiv上发布，系统梳理了多模态遗忘学习（Multimodal Unlearning）领域的研究进展。该论文广泛覆盖视觉、语言、视频和音频等多种模态，全面总结了当前主流的遗忘方法、公开数据集以及评估基准。随着大模型在多模态处理中的广泛应用，数据隐私、模型鲁棒性和合规性成为关键挑战，遗忘学习技术旨在让模型有选择地“忘记”特定数据，从而保障安全与伦理。这篇综述为研究者提供了系统的技术全景，有助于推动该领域标准化与后续发展。 #多模态遗忘学习 #AI安全 #机器学习 #arXiv论文 #综述 #数据隐私 #模型鲁棒性

Distributed Sketching on Data Partitions for OLS Regression

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Chao Lan [ view email ] [v1] Wed, 8 Jul 2026 19:50:45 UTC (363 KB) Full-text links: Access Paper: View a PDF of the paper titled Distributed Sketching on Data Partitions for OLS Regression, by Luyuan Yang and 3 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: cs 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 Pa

pers? ) 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 .