基于大语言模型的测试时学习实现量子电路生成

近日，一篇题为《通过大语言模型测试时学习生成量子电路》的论文预印本在arXiv平台发布。该研究由Adriano Macarone-Palmieri和Rosario Lo Franco共同完成，提出了一种利用大语言模型在测试阶段进行学习以生成量子电路的新方法。传统量子电路生成依赖物理模拟或复杂优化，而该方法借助大语言模型的推理能力，在测试时动态调整，无需重新训练即可适应不同量子计算任务。实验表明，该技术能有效提升量子电路的生成效率与准确性，为量子计算与人工智能的交叉融合提供了新思路，有望加速量子算法设计与自动化。 #量子计算 #大语言模型 #AI #量子电路 #论文 #arXiv #测试时学习 #人工智能

多分布鲁棒共形预测新方法提出

近日，一篇题为《Multi-Distribution Robust Conformal Prediction》的论文在arXiv预印本平台发布。该研究由Yuqi Yang等人完成，提出了一种针对多分布场景的鲁棒共形预测框架。共形预测是一种不依赖模型假设的置信区间构建方法，而新方法通过优化多个分布下的最坏情况性能，显著提升了预测在分布偏移时的稳健性。论文于2026年1月首次提交，同年7月更新，为不确定性量化领域提供了重要理论拓展。 #共形预测 #鲁棒性 #多分布 #机器学习 #不确定性量化 #arXiv #论文

几何感知深度同余网络

近日，一篇题为《Geometry-Aware Deep Congruence Networks for Manifold Learning in Cross-Subject Motor Imagery》的论文在arXiv预印本平台发布。该研究由Sanjeev Manivannan等人完成，针对脑机接口中跨被试运动想象脑电信号分类的难点，提出了一种几何感知深度同余网络。该方法将流形学习与深度学习相结合，通过捕捉不同被试脑电信号在流形空间中的几何结构，提升模型在跨被试场景下的泛化能力。论文自2025年11月首次提交后，历经多次修订，最新版本于2026年7月公开。该工作有望推动运动想象脑机接口从实验室走向实际应用，为神经康复、人机交互等领域提供更鲁棒的算法支撑。 #脑机接口 #运动想象 #流形学习 #深度学习 #几何感知 #跨被试 #arXiv #论文 #神经工程

私有优化中梯度复杂度的新研究

一项关于私有优化中梯度复杂度的最新研究在arXiv上发布。该论文由Michael Menart等人撰写，探讨了在隐私预言机（Private Oracles）环境下，私有优化算法的梯度复杂度问题。研究聚焦于如何量化在保证数据隐私的前提下，优化算法所需的最小梯度计算次数。通过理论分析，论文为理解差分隐私优化中的计算效率提供了新的边界，对机器学习中隐私保护与算法效率的平衡具有重要参考价值。该工作已通过arXiv平台公开，并提供了PDF和HTML版本供学术社区查阅。 #隐私优化 #梯度复杂度 #差分隐私 #机器学习 #算法理论 #arXiv

旋转平均场变分推断与迭代高斯化论文在arXiv发表

近日，一篇题为"Rotated Mean-Field Variational Inference and Iterative Gaussianization"的学术论文在预印本平台arXiv上发布。该论文由Yifan Chen和Sifan Liu共同撰写，于2025年10月9日首次提交，并于2026年7月9日更新版本。论文提出了一种创新的变分推断方法，通过旋转平均场近似和迭代高斯化技术，旨在克服传统平均场变分推断在捕捉后验分布相关性方面的局限，提升推断精度和效率。该方法有望在概率建模、贝叶斯统计和机器学习等领域得到应用，为复杂概率模型的近似推断提供新的思路。 #机器学习 #变分推断 #arXiv #论文 #AI #统计学 #贝叶斯推断

运输拟蒙特卡洛论文在 arXiv 发布

Sifan Liu 在 arXiv 预印本平台发布了题为《Transport Quasi-Monte Carlo》的论文。该论文于2024年12月21日首次提交，并于2026年7月9日更新至第二版。论文提出了一种运输拟蒙特卡洛方法，融合最优传输理论与拟蒙特卡洛采样，旨在提高高维数值积分的计算效率。研究涉及计算机科学、数学和统计学等多个学科。目前论文的PDF、HTML及TeX源码均可免费获取，为相关领域研究者提供了新的参考。 #运输拟蒙特卡洛 #arXiv #论文 #最优传输 #蒙特卡洛 #高维积分 #科学计算 #机器学习 #数学 #统计学

高斯混合模型下概率函数的可微性与逼近研究

据arXiv预印本平台，一篇题为《Differentiability and Approximation of Probability Functions under Gaussian Mixture Models》的论文正式发布。该研究由Gonzalo Contador等人完成，深入探讨了高斯混合模型（GMM）中概率函数的可微性及其逼近方法。高斯混合模型是机器学习和统计学中的核心工具，其概率函数的可微性对优化算法和参数推断至关重要。论文严格分析了可微性条件，并提出了有效的逼近策略，为相关算法的理论完善提供了支撑。该论文于2024年11月首次提交，2026年7月更新，目前可通过arXiv获取全文。 #高斯混合模型 #概率函数 #可微性 #逼近 #机器学习 #arXiv #学术论文

共形预测规划方法助力机会约束优化

一篇题为《Conformal Predictive Programming for Chance Constrained Optimization》的论文在arXiv上发布。该研究由Yiqi Zhao等人完成，提出了一种将共形预测与机会约束优化相结合的新框架。共形预测是一种无需分布假设的不确定性量化方法，而机会约束优化则用于处理含概率约束的决策问题。新方法通过预测集提供统计保证，使得优化解在给定置信水平下满足约束，为安全关键领域的决策提供了可靠工具。论文展示了该方法在多个基准问题上的有效性，为不确定性下的优化决策开辟了新路径。 #共形预测 #机会约束优化 #机器学习 #不确定性量化 #优化算法 #arXiv #学术论文 #人工智能

基于广义U统计量的非等样本最大均值差异研究

一项发表于《机器学习研究汇刊》的研究提出了一种新方法，用于处理样本量不相等时的最大均值差异计算。传统MMD方法在样本量差异较大时存在偏差，而该研究通过引入广义U统计量，有效解决了这一问题。研究团队开发的理论框架能够更准确地衡量两个概率分布之间的差异，即使在样本数量悬殊的情况下也能保持统计有效性。该方法在多个合成和真实数据集上进行了验证，结果显示其性能优于现有技术。这项研究对机器学习中的分布比较、生成模型评估等领域具有重要应用价值。 #机器学习 #统计方法 #最大均值差异 #U统计量 #分布比较 #生成模型评估 #学术研究

仅移除少量偏好即可改变顶级大语言模型排名

一项最新研究显示，只需从人类偏好数据中移除极少量样本，就可能导致顶级大语言模型在排行榜上的排名发生显著变化。该研究由Jenny Y. Huang等人完成，论文已提交至arXiv预印本平台。研究团队通过实验发现，在评估大语言模型时，人类偏好数据中的微小扰动足以影响模型间的相对表现，甚至改变排名顺序。这一发现对当前依赖人类反馈进行模型评估和排序的方法提出了挑战，暗示排行榜的稳定性可能比预期更脆弱。研究指出，偏好数据的质量和分布对模型排名具有决定性影响，相关结果已通过多种引用和文献工具得到验证。 #大语言模型 #AI排名 #人类偏好 #arXiv #机器学习

贝叶斯深度学习论文发布，用于离散选择建模

来自康奈尔大学Daniel F. Villarraga和Ricardo A. Daziano的最新论文《Bayesian Deep Learning for Discrete Choice》已在arXiv预印本平台发布。该研究将贝叶斯方法与深度学习结合，旨在提升离散选择模型的预测精度与不确定性量化能力。论文分别于2025年5月、12月及2026年7月进行了三次版本更新，目前提供PDF、HTML及TeX源码等多种阅读方式。该工作横跨计算机科学、经济学与统计学领域，为交通需求、市场营销等领域的离散选择问题提供了新思路。 #贝叶斯深度学习 #离散选择 #机器学习 #学术论文 #arXiv

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

联合贝叶斯参数与模型阶数估计

一篇来自arXiv的论文提出了一种联合贝叶斯参数与模型阶数估计方法，专门针对低秩概率质量张量。该研究由Joseph K. Chege等人完成，论文标题为《Joint Bayesian Parameter and Model Order Estimation for Low-Rank Probability Mass Tensors》。传统方法通常将参数估计与模型阶数选择分开处理，而该工作通过贝叶斯框架同时优化两者，有望提升张量分解的鲁棒性与准确性。低秩概率质量张量在数据压缩、推荐系统、信号处理等领域有广泛应用，该方法的提出为处理高维稀疏数据提供了新的理论工具。论文已提交至arXiv预印本平台，并经过多版修订，最新版本发布于2026年7月。 #论文 #arXiv #贝叶斯 #张量 #低秩 #概率质量 #模型阶数 #机器学习

蒙特卡洛方法可替代反向传播训练深度神经网络

一篇来自arXiv的预印本论文提出，蒙特卡洛（Monte Carlo）方法能够有效训练深度神经网络，且效果不亚于甚至优于传统的反向传播算法。该研究由学者Hong Zhao完成，论文标题为《超越反向传播：蒙特卡洛方法可训练深度神经网络》。研究团队通过理论分析和实验验证，展示了蒙特卡洛方法在梯度估计和参数更新上的可行性，为深度学习提供了一种全新的训练范式。这一方法有望降低对反向传播的依赖，并可能缓解梯度消失、局部最优等经典问题，对神经网络的训练效率与可解释性带来潜在影响。 #深度学习 #蒙特卡洛 #反向传播 #神经网络 #AI算法 #论文 #arXiv

AutoAnchor：利用交叉注意力作为流形代理实现稳定扩散模型遗忘

arXiv上最新提交的一篇论文提出了名为AutoAnchor的新方法，用于稳定扩散模型的“遗忘”（unlearning）。该方法创新性地将交叉注意力机制作为流形代理，引导模型从特定概念或风格中移除记忆，而无需重新训练。研究团队通过锚定嵌入空间中的关键点，实现了对版权内容、不当风格等目标的高效遗忘，同时最大程度保留模型原有生成能力。实验结果显示，AutoAnchor在多种遗忘任务中表现突出，且对模型整体性能影响较小。这项工作为生成式AI的安全合规提供了实用工具，有望推动模型在隐私保护和伦理约束方面的应用。 #AI #稳定扩散 #模型遗忘 #交叉注意力 #流形学习 #arXiv #论文 #生成式AI #安全合规

大数据分类的可扩展MADD版本

据arXiv预印本网站信息，一篇题为《A scalable version of MADD for big-data classification》的论文于2026年7月9日提交。该论文由Annesha Ghosh、Adrija Saha和Soham Sarkar共同撰写，针对大数据分类任务，提出了一种可扩展的MADD（最大平均距离判别）方法。MADD是一种常用的分类技术，但其原始版本在处理大规模数据时存在计算瓶颈。该论文通过算法改进，提升了MADD在大数据场景下的效率和适用性。论文目前以PDF和HTML格式开放，并附有TeX源码，相关浏览上下文为统计学领域。 #arXiv #大数据 #分类 #MADD #机器学习 #统计学

可解释的Good-Turing重启准则用于k

近日，一篇题为《An interpretable Good--Turing restart criterion for k-means++》的学术论文在arXiv上预印发布。该论文由Renato Cordeiro de Amorim撰写，针对k-means++聚类算法中重启次数的选择问题，提出了一种基于Good-Turing估计的可解释重启准则。传统k-means++算法通过多次重启来提高聚类质量，但重启次数通常依赖经验或交叉验证，缺乏可解释性。新准则利用统计语言模型中的Good-Turing方法，为每次重启提供合理的终止判断，从而在保证聚类效果的同时减少不必要的计算开销。该研究为聚类分析领域的算法优化提供了新的理论视角，有望在数据挖掘、图像分割等实际应用中提升效率与可解释性。 #机器学习 #聚类算法 #kmeans #论文 #arXiv #数据科学 #人工智能 #算法优化

聚类数据上的结构学习

据 arXiv 预印本平台显示，一篇题为《Structure Learning on Clustered Data》的论文由 Ryan Thompson 等作者于 2026 年 7 月 9 日提交。该论文聚焦于在聚类数据中学习图结构的关键问题，旨在提升对分组观测数据间依赖关系的建模能力。研究可能对统计学习、因果推断及生物信息学等领域具有潜在应用价值。目前论文已获得 DataCite DOI，并提供 PDF 全文及 HTML 预览，供学界免费访问。 #arXiv #结构学习 #聚类数据 #机器学习 #因果推断 #论文 #学术新闻

从数据中选择可解释的圆形坐标方法研究

一篇题为《从数据中选择可解释的圆形坐标》的学术论文在arXiv上发布。该论文由Vincent P. Grande与Marina Meila撰写，旨在提出一种从复杂数据中挑选具有可解释性的圆形坐标的方法。圆形坐标在拓扑数据分析中用于描述数据的循环结构，但传统方法生成的坐标往往难以直接理解。研究团队通过算法优化，使得所选坐标既能保留数据的关键拓扑特征，又具备更高的可解释性，便于研究人员分析数据中的周期性模式。这一工作有望推动拓扑数据工具在生物信息学、传感器网络等领域的实际应用。论文已通过DOI预注册，并提供了PDF及HTML版本供参考。 #arXiv #拓扑数据分析 #圆形坐标 #可解释性 #数据科学

arXiv 发布新论文：通过部分共享子空间联合估计高维尖峰协方差矩阵

该论文由 Changwon Yoon 等作者于 2026 年 7 月 9 日提交至 arXiv 预印本平台。论文聚焦于高维统计中的协方差矩阵估计问题，提出了一种基于部分共享子空间的新方法，用于联合估计多个尖峰协方差矩阵。该方法旨在利用数据集间的共同结构，在降低参数维度的同时提高估计精度，尤其适用于基因表达、金融风险等场景下的高维数据分析。目前论文已提供 PDF 和 HTML 预览，并等待 DOI 注册。论文尚未经过同行评审，但为相关领域提供了新的理论途径。 #arXiv #论文 #统计学 #机器学习 #高维数据 #协方差矩阵 #子空间 #科技研究

多模态掩码扩散模型生成顺序增强研究

arXiv平台近日发布了一篇题为《Reinforcing the Generation Order of Multimodal Masked Diffusion Models》的论文，作者为Yidong Ouyang等人。该研究聚焦于多模态掩码扩散模型中的生成顺序问题，提出了一种增强方法，旨在优化模型在生成图像、文本等多模态数据时的顺序策略。论文通过改进生成顺序，提升了模型在复杂任务中的表现，为多模态生成领域提供了新的技术路径。该工作已通过arXiv提交，并附有PDF、HTML及TeX源码，供研究人员参考和复现。 #多模态 #扩散模型 #生成顺序 #机器学习 #AI研究 #arXiv