REFORGE：一种评估大语言模型反编译二进制函数命名能力的基准方法

来自arXiv预印本的最新研究提出了一种名为REFORGE的方法，用于系统性地评估大语言模型在逆向工程中的表现，尤其是在对反编译后的二进制代码进行函数命名时的能力。该研究由Nicolas Koller与Andreas U. Schmidt共同完成，通过设计标准化测试集和评估指标，衡量LLMs理解底层二进制代码语义并生成准确、可读的函数名的能力。这一方法有望推动人工智能在软件安全、恶意软件分析与代码逆向工程等领域的应用，为自动化代码理解提供更可靠的基准。相关论文、数据及代码资源已通过arXiv平台开放获取。 #REVERSE_ENGINEERING #LLMs #机器学习 #逆向工程 #二进制代码 #函数命名 #人工智能

量子拔河模型

一项发表于预印本平台arXiv的研究提出了“量子拔河模型”，用于描述在不确定情境下的最小化决策动力学。该模型由Song-Ju Kim博士提出，旨在通过量子概率框架解释个体如何根据上下文环境做出选择。研究借鉴了量子力学中的概率叠加与干涉现象，建立了决策者在内外部因素“拔河”过程中的行为模型。该工作可能为理解复杂决策系统中的上下文依赖性提供新的理论工具，并跨越量子物理、计算机科学与生物学等多个领域。 #量子力学 #决策模型 #情境概率 #量子拔河 #arXiv论文 #复杂系统 #理论物理

ConceptSMILE

一篇题为《ConceptSMILE: Auditing the Trustworthiness of Concept-Based Explainable AI》的论文在arXiv上预印发布。针对当前概念可解释人工智能（Concept-based XAI）方法在应用中缺乏可信度验证的问题，研究者提出了一套名为ConceptSMILE的审计框架。该框架通过系统性测试和评估指标，对概念解释的鲁棒性、一致性及无偏性进行多维审计，旨在揭示概念模型在面对对抗扰动、数据偏移时的脆弱点，并为开发者提供量化可信度报告。该工作为提升可解释AI在医疗、金融等高风险领域的可靠性提供了实用工具，也有助于推动XAI从“解释可用”走向“解释可信”。 #概念可解释AI #可信度审计 #XAI #AI安全 #arXiv论文 #人工智能 #鲁棒性

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

LionVote：为Lion优化器引入逐层学习率自适应机制

一项由纽约大学等机构提出的新研究LionVote，针对Lion优化器在深度学习中表现优于Adam但缺乏广泛采用的调参方法问题，创新性地提出了逐层学习率自适应策略。该方法通过为网络各层分别设置独立的学习率，并结合投票机制动态调整，显著提升了Lion的收敛速度和模型性能。实验表明，LionVote在图像分类、语言建模等任务上与标准Lion和Adam优化器相比，均表现出更优的稳定性和准确性。 #LionVote #优化器 #深度学习 #机器学习 #AI研究 #自适应学习率 #人工智能

遗忘窄化，保留泛化

一篇发表于arXiv的论文提出，机器遗忘（Machine Unlearning）本质上是一个非对称泛化问题。研究指出，理想的遗忘算法应实现“窄遗忘”与“宽保留”，即在精准移除特定数据影响的同时，最大程度保持模型在其他任务上的泛化能力。作者通过理论分析和实验证明，现有方法往往在遗忘效果与模型性能之间难以平衡，而将遗忘视为非对称泛化问题有助于设计更高效的算法。该研究为AI模型的数据合规与隐私保护提供了新视角。 #机器遗忘 #非对称泛化 #AI安全 #隐私保护 #arXiv论文

SAMPAT

一篇题为《All you need is SAMPAT》的学术论文于2026年7月10日提交至arXiv预印本平台。该论文由Jayadeva和Madhur Aswani共同撰写，提出了一种名为SAMPAT的机器学习框架。论文详细介绍了SAMPAT的设计原理、算法实现及其潜在应用领域，旨在为机器学习社区提供一种新的方法论。目前，该论文已开放PDF和HTML格式供读者查阅，并支持BibTeX引用导出。研究团队表示，SAMPAT有望在多个计算任务中展现优异性能，但具体技术细节和实验结果仍需进一步审阅。 #机器学习 #SAMPAT #arXiv #学术论文 #AI

时空知识图谱预测在分布偏移下的合成评估研究

arXiv平台上发表了一篇关于时空知识图谱预测的研究论文，聚焦于分布偏移场景下的模型评估。该研究由Konrad \"Ozdemir等人完成，提出了一种合成评估方法，用于系统分析现有模型在面对数据分布变化时的表现。研究显示，传统知识图谱预测模型在处理真实世界中的非平稳数据时存在显著局限，而合成评估框架能够更准确地反映模型的实际鲁棒性和泛化能力。这项研究为改进时序知识图谱预测算法提供了重要参考，并有助于推动该领域在动态环境下的应用发展。 #AI #知识图谱 #机器学习 #数据科学 #arXiv论文 #学术研究

持续学习中干扰与保留机制研究

一项针对机器学习中持续学习领域的研究，探讨了干扰与记忆保留之间的平衡问题。该研究以arXiv预印本形式发布于2026年7月，由Julius Stoerk完成。论文深入分析了当模型不断学习新任务时，如何避免新知识对旧知识的干扰，同时保持关键信息的长期保留。研究提出了新的理论框架，旨在优化机器学习的持续学习能力，为智能系统在不遗忘已知内容的情况下不断吸收新信息提供了可行路径。 #持续学习 #机器学习 #干扰与保留 #人工智能 #arXiv #研究论文 #知识迁移

机器学习应用于桌面RPG怪物等级预测

一篇题为《机器学习在桌面角色扮演游戏怪物等级预测中的应用》的预印本论文在arXiv上发布，作者为Jolanta 'Sliwa等人。该研究探索将机器学习技术用于桌游设计，通过分析怪物属性、角色能力等数据，构建模型自动预测怪物等级。实验采用历史游戏数据训练回归模型，验证了特征工程与算法选择对预测精度的影响。研究指出，机器学习可辅助游戏设计师平衡战斗难度，减少人工调整工作量，但模型泛化能力仍需优化。该成果为算法在创意游戏平衡领域的应用提供了新案例。 #机器学习 #游戏设计 #桌游 #AI #论文

非凸优化中无调度方法研究取得突破

一项关于非凸优化中无调度方法的最新研究在学术平台arXiv上发布。该研究由Jiseok Chae等人完成，论文题为《非凸优化中的无调度方法理解：速率保证与鞍点逃逸》。研究深入探讨了无调度优化方法在非凸问题中的收敛性能，提供了速率保证，并分析了其逃离鞍点的能力。这一成果为优化算法理论提供了重要补充，有助于理解无调度方法在处理复杂非凸问题时的优势，对机器学习和深度学习等领域具有潜在应用价值。 #非凸优化 #无调度方法 #速率保证 #鞍点逃逸 #arXiv #机器学习 #优化算法

COAST 提出上下文感知差异学习，助力空间转录组基因表达预测

一篇名为 COAST 的论文在 arXiv 上发布，提出一种上下文感知的差异学习方法，用于空间转录组学中的基因表达预测。该方法通过考虑局部组织微环境信息，增强了模型预测基因表达模式的能力。该研究由 Keunho Byeon 等四位作者完成，论文提交于 2026 年 7 月 10 日。论文当前浏览上下文为计算机科学领域，并提供了 PDF、HTML 等全文链接，以及 BibTeX 引用、相关论文推荐和代码链接等工具支持，旨在促进空间转录组学数据分析和生物学发现。 #空间转录组 #基因表达 #差异学习 #机器学习 #生物信息学 #arXiv

面向医疗AI模型的局部观测数据充分性个性化计算框架

近期，一项研究提出了面向医疗人工智能模型的个性化计算框架，用于评估部分观测数据的充分性。该框架由Qingchu Jin等六位作者共同完成，并作为论文发表于arXiv平台。研究聚焦于医疗AI模型中常见的数据缺失问题，旨在通过个性化方法判断局部观测数据是否足以支撑模型训练或决策。该框架可能涉及对个体患者数据不完整情况下的模型鲁棒性分析，并尝试提供量化标准。论文已获DOI编号，并开放PDF全文访问，相关参考信息可在Google Scholar等学术工具中检索。 #医疗AI #数据充分性 #计算框架 #arXiv #人工智能 #数据缺失 #个性化

激活迁移

一篇题为《Present but Rescaled: Chat-to-Agent Transfer of Additive Activation Steering》的学术论文已在arXiv平台发布。该研究探讨了如何将聊天模型中的添加剂激活控制技术迁移至智能体场景。作者发现，虽然聊天模型中有效的激活方向在智能体环境中依然存在，但其影响幅度需要重新缩放才能发挥作用。这一发现为跨场景的激活操控提供了理论基础，可能有助于提升智能体在复杂任务中的表现。论文来自Lucas Pinto，目前正在等待DataCite注册DOI。 #arXiv #AI #智能体 #激活控制 #学术研究

基于变分图自编码器的潮流可行性评估方法

一项发表于arXiv的研究提出利用变分图自编码器评估电力系统潮流可行性的新方法。该方法通过图神经网络学习电力网络拓扑与运行状态之间的复杂关系，能够快速判断给定运行条件下潮流是否可行。研究团队来自西班牙多所高校，他们利用变分图自编码器对电力系统进行建模，在多个标准测试系统上验证了方法的有效性。实验结果表明，该方法相比传统数值计算方法大幅提升了评估速度，同时保持了较高的准确率。这项研究为电力系统实时安全评估提供了新的技术路径，有望应用于智能电网的在线监控与预警系统。 #电力系统 #图神经网络 #变分自编码器 #潮流计算 #人工智能 #智能电网 #arXiv

量子电路在扩散模型中的公平对比研究及角度嵌入失败机制分析

一项针对量子电路在扩散模型中应用的公平比较研究显示，角度嵌入方法存在固有失败模式。研究团队通过系统性实验，对比了经典与量子电路在扩散模型中的表现，发现角度嵌入在特定条件下会导致信息表达不完整，从而影响模型生成质量。该工作通过机制性分析揭示了角度嵌入失败的根本原因，为未来量子机器学习模型的设计提供了重要指导。相关论文已提交至arXiv预印本平台。 #量子计算 #扩散模型 #角度嵌入 #机器学习 #人工智能 #arXiv论文

滴滴发布大规模网约车实时匹配系统EXHOLD

一篇题为《EXHOLD：面向大规模网约车匹配的经验感知实时保持控制》的学术论文已在arXiv平台预印发布。该研究由滴滴出行的研究人员提交，旨在解决大规模网约车场景下因车辆与订单动态变化导致的匹配延迟问题。EXHOLD系统通过引入经验感知机制，实时控制订单与空闲车辆的保持策略，从而优化整体匹配效率。实验结果表明，该方法在大规模数据上能有效提升订单完成率和系统响应速度，为网约车平台提供了更智能的调度方案。 #滴滴 #网约车 #实时匹配 #EXHOLD #人工智能 #交通运输 #学术研究

大型语言模型绿色发展综述

一篇发表于《中国电子期刊》的综述论文系统梳理了大型语言模型绿色发展的关键路径。该论文指出，随着大模型规模和能耗的急剧增长，其可持续发展面临严峻挑战。研究从资源高效架构设计、训练优化算法、推理加速技术以及软硬件协同设计四个维度，全面探讨了降低大模型碳足迹的方法。调查显示，通过模型压缩、量化感知训练和定制化硬件加速器等技术，可在保持模型性能的同时显著降低能耗。论文还分析了当前绿色发展面临的数据中心能效瓶颈、硬件工艺限制等障碍，并展望了未来研究方向，包括绿色模型评估标准的建立和跨学科协作创新。 #大模型 #绿色发展 #资源效率 #软硬件协同 #AI能耗

多任务贝叶斯优化的陷阱与补救措施

一篇题为《多任务贝叶斯优化的陷阱与补救措施》的学术论文近日在arXiv预印本平台发布。该研究由Carl Hvarfner等人撰写，系统分析了多任务贝叶斯优化在实际应用中常见的陷阱，如任务间相关性假设不当、模型误设导致性能下降等问题。作者提出了多种补救策略，包括改进先验分布设计、优化任务间信息共享机制等，以提升优化效率和鲁棒性。论文提供了理论分析和实验验证，为相关领域的研究者和实践者提供了重要参考。 #多任务贝叶斯优化 #机器学习 #优化算法 #学术论文 #arXiv

EvoLP：面向实时边缘系统模型压缩的自进化延迟预测器

该论文提出了一种名为EvoLP的自进化延迟预测器，旨在优化实时边缘系统中的模型压缩过程。研究团队通过引入自进化机制，使预测器能够动态适应不同硬件环境和模型架构，从而更精确地估计压缩后模型的推理延迟。实验结果表明，EvoLP在多种边缘设备上均能有效提升延迟预测的准确性，为资源受限场景下的模型部署提供了高效解决方案。该成果已发表于IEEE嵌入式系统快报（2024年6月第16卷第2期），相关代码和数据已公开。 #EvoLP #模型压缩 #边缘计算 #延迟预测 #嵌入式系统 #AI部署 #实时系统

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