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

COBS

来自Alexander Tian等五位研究者的论文提出了一种名为COBS（累积量阶块稀疏注意力）的新型注意力机制。该机制通过利用累积量的高阶统计特征，能够有效处理序列数据中的稀疏注意力模式，从而在保持模型性能的同时降低计算复杂度。论文目前已在arXiv平台发布，提供PDF、HTML及TeX源文件下载，并已获得相关学术引用工具支持。 #人工智能 #机器学习 #注意力机制 #论文 #学术 #arXiv

从失败中学习

一篇题为《Learning More from Less: Reinforcement Learning from Hindsight》的研究论文近日在arXiv预印本平台发布。该研究由Iris Xu等学者共同完成，提出了一种全新的强化学习框架，旨在从有限的过往经验中更高效地汲取知识。传统强化学习依赖大量成功轨迹进行训练，而该论文提出的“事后经验”方法允许智能体从失败或次优的尝试中逆向推导出有效策略，从而大幅降低样本需求。研究团队通过设计新的回溯机制，使算法能够重新评估历史状态，将其转化为有利的训练信号。实验结果表明，该方法在多个复杂控制任务中显著提升了学习速度与最终性能，为样本效率瓶颈提供了可行的解决方案。 #强化学习 #事后经验 #AI #机器学习 #论文 #arXiv #创新算法

利用广义泊松流实现可变长度生成式蛋白质设计

科研团队提出了一种基于广义泊松流的新型蛋白质设计方法，能够生成可变长度的蛋白质序列与结构。传统蛋白质设计方法多局限于固定长度，而新方法通过引入广义泊松流模型，实现了对蛋白质序列长度的灵活控制。实验表明，该方法生成的蛋白质在热力学稳定性和功能多样性上接近天然蛋白质，有望推动蛋白质工程、药物开发及合成生物学领域的发展。研究还展示了模型在生成特定功能结构域上的潜力，为精准蛋白质设计提供了新思路。 #蛋白质设计 #AI设计 #蛋白质工程 #深度学习 #合成生物学 #结构生物学 #前沿科技 #科研创新

面向大模型路由的关联感知上下文赌博机算法

一篇发表于arXiv的论文提出了一种名为“关联感知上下文赌博机”的新方法，用于优化大语言模型的路由选择。该方法通过引入替代奖励机制，在多个大模型之间动态分配查询任务，以平衡性能与成本。研究团队利用上下文信息捕捉不同模型之间的相关性，从而更高效地选择最合适的模型处理特定请求。实验结果表明，该算法在降低推理延迟和计算开销的同时，保持了较高的任务完成质量。这项研究为大规模部署大语言模型提供了实用的路由策略，有望提升多模型系统的整体效率。 #大模型 #路由算法 #机器学习 #AI #论文 #arXiv

模型无关图提示学习实现晶体性质预测

一篇题为《Model Agnostic Graph Prompt Learning for Crystal Property Prediction》的学术论文于2026年7月9日提交至arXiv预印本平台。该研究由Shrimon Mukherjee等四位作者共同完成，提出了一种模型无关的图提示学习方法，用于晶体性质预测。论文通过图神经网络与提示学习相结合，旨在提升晶体材料性质预测的准确性和泛化能力，无需针对特定模型进行大量调整。该方法有望加速新材料发现过程，在材料科学和计算化学领域具有重要应用价值。目前，论文已提供PDF、HTML及TeX源码等全文链接，并支持引用导出和多种学术工具集成。 #晶体性质预测 #图提示学习 #模型无关 #材料科学 #AI #arXiv #学术论文

大语言模型激活稀疏化新方法

来自arXiv的一篇论文提出了一种名为“敏感度感知阈值与令牌路由”的新方法，用于大语言模型的激活稀疏化。该方法通过评估不同激活值对模型输出的敏感度，动态调整阈值，并设计令牌路由机制，以在保持模型性能的同时显著减少计算开销。实验表明，该技术能有效降低推理过程中的内存占用和延迟，为部署更高效的大语言模型提供了新思路。研究团队来自学术界，论文已提交至arXiv预印本平台。 #大语言模型 #激活稀疏化 #AI #机器学习 #arXiv #论文 #计算优化

组不变谱嵌入新方法研究获进展

一篇题为《组不变谱嵌入》的研究论文已在预印本平台arXiv提交，作者包括Yeari Vigder等六人。该论文提出了一种新的谱嵌入方法，旨在保持数据在群组变换下的不变性，有望提升对复杂数据结构的分析与表示能力。研究内容涉及计算机科学、数学与统计学交叉领域，目前已提供PDF、HTML及TeX源文件供学术同仁查阅，并关联了多种文献工具与数据资源。 #组不变谱嵌入 #谱嵌入 #arXiv #机器学习 #数学 #统计学 #数据科学 #学术研究

AlphaZero 在稀疏奖励游戏中的表现限制与辅助监督研究

一项关于AlphaZero在稀疏奖励游戏中表现限制的研究论文已提交至arXiv。研究人员通过实验发现，AlphaZero在奖励极其稀疏的环境中，其学习效率和策略优化能力受到显著限制，难以通过纯粹自对弈获得有效进步。为克服这一瓶颈，论文提出引入辅助监督信号的方法，即在稀疏奖励基础上增加中间目标或次级奖励，以引导模型更高效地探索和掌握游戏策略。实验证明，这种辅助监督能明显提升AlphaZero在稀疏奖励场景下的表现，为强化学习在实际复杂问题中的应用提供了新的思路。 #AlphaZero #强化学习 #稀疏奖励 #AI研究 #机器学习

联邦低秩Koopman学习：物联网系统中的多变量时间序列异常检测新方法

该研究提出了一种名为联邦低秩Koopman学习的方法，专门用于物联网系统中的多变量时间序列异常检测。该方法结合了Koopman算子理论与联邦学习框架，通过低秩近似有效地处理高维、非线性时间序列数据，同时保护用户数据隐私。论文由Tung-Anh Nguyen等七位作者共同撰写，于2026年7月9日提交至arXiv预印本平台。该方法在多个物联网数据集上的实验结果表明，能够显著提升异常检测的准确性和效率，尤其适用于分布式、资源受限的物联网环境。研究还提供了相关代码和数据支持，以促进学术界的进一步验证和应用。 #联邦学习 #Koopman算子 #物联网 #异常检测 #时间序列 #机器学习 #AI

NL-PAC：LLM监督中的规范模糊性与认证极小风险下限

一项名为NL-PAC的研究论文探讨了在大语言模型（LLM）作为监督者时，规范模糊性带来的认证风险问题。该研究由Berkay Anahtarci等人提交至arXiv，提出了一种新的理论框架，用于分析LLM在监督任务中因规范不明确而导致的性能下限。研究指出，当LLM被用于解释或执行模糊指令时，其输出可能偏离预期目标，从而产生认证风险。NL-PAC方法通过数学建模，为这种风险提供了可量化的认证边界，有助于在安全关键应用中评估LLM的可靠性。该工作为理解LLM在复杂监督场景中的局限性提供了理论依据。 #LLM #AI安全 #规范模糊性 #认证风险 #机器学习 #arXiv #人工智能

Eluna：基于智能体LLM的仓库自动化系统，实现推理与任务执行

一篇题为《Eluna: An Agentic LLM System for Automating Warehouse Operations with Reasoning and Task Execution》的学术论文近日在arXiv上发布。该论文由Ning Liu等14位作者共同完成，提出了一种名为Eluna的智能体大语言模型系统，旨在通过推理与任务执行实现仓库运营自动化。Eluna系统利用LLM的推理能力，能够自主规划、决策并执行仓库中的复杂操作，如货物分拣、路径优化和库存管理等。该系统通过将自然语言指令转化为具体行动，显著提升了仓库作业的效率和灵活性。论文详细介绍了Eluna的架构设计、推理机制以及在模拟环境中的测试结果，展示了其在减少人工干预、提高准确性方面的潜力。该研究为物流和仓储行业的智能化转型提供了新的技术路径。 #LLM #仓库自动化 #智能体 #AI #物流 #论文 #arXiv

FairSelect 论文提出系统性评估多层级交叉算法公平性

一篇名为《FairSelect：多层级与交叉算法公平性的系统性评估》的研究论文在 arXiv 上发布。该论文由 Nicholas Souligne 等人撰写，主要关注算法公平性评估中的多层级和交叉性问题。研究提出了一种名为 FairSelect 的系统性方法，旨在更全面地评估和衡量算法在不同群体及交叉维度上的公平表现，以应对传统单一维度评估的局限性。论文目前已公开 PDF 版本，并提供了引用工具与相关资源链接。 #算法公平 #人工智能 #交叉性 #评估方法 #arXiv #学术论文

可读 Transformer 的训练、阅读与编辑方法获 arXiv 收录

马克·奥金斯基于 2026 年 7 月 9 日提交了一篇题为《训练、阅读与编辑可读 Transformer》的论文，目前已被 arXiv 收录。该研究聚焦于提升 Transformer 模型的可解释性，提出了训练、阅读和编辑可读 Transformer 的方法，旨在让研究人员更清晰地理解模型的内部工作机制。论文提供了完整的 PDF、HTML 及 TeX 源码，并支持多种参考文献导出与实验工具集成。这项工作有望推动 AI 模型透明度的研究，使开发者能够更有效地调试和优化大模型。 #AI #机器学习 #Transformer #可解释性 #论文 #arXiv #模型优化

TSRouter：面向时间序列推理的动态模态

来自arXiv的最新论文提出了一种名为TSRouter的新框架，旨在解决时间序列推理中模态与模型动态选择的问题。该方法通过智能路由机制，根据输入数据特征自动选择最合适的模态和模型组合，从而提升推理性能。研究团队在多个基准数据集上进行了实验验证，结果表明TSRouter能够有效适应不同时间序列场景，在保持计算效率的同时显著提高推理准确性。该工作为时间序列分析领域提供了一种灵活且高效的解决方案，有望应用于金融预测、气象分析等实际场景。 #时间序列 #AI推理 #动态选择 #机器学习 #论文 #arXiv #TSRouter

BlockServe 提出块粒度连续批处理，提升扩散 LLM 服务吞吐量

来自 arXiv 的一篇预印本文章提出了 BlockServe，一种用于高吞吐量扩散大语言模型服务的新型批处理系统。该系统采用块粒度连续批处理策略，旨在解决扩散 LLM 在推理过程中因动态计算和可变长度序列导致的低效问题。通过将计算分解为更细粒度的块，并动态调度到 GPU 资源上，BlockServe 能够显著提高资源利用率和系统吞吐量。实验结果表明，相比现有方法，BlockServe 在保持低延迟的同时，吞吐量得到了大幅提升，为大模型的高效部署提供了新思路。 #AI #大模型 #DiffusionLLM #批处理 #系统优化