激活引导对抗后缀

一篇即将发布的arXiv预印本论文揭示了针对大语言模型安全机制的潜在攻击方法。该研究由Ege Çakar等人完成，提出了一种名为“激活引导对抗后缀”的技术，通过优化目标的激活表示来绕过模型的拒绝回答机制。研究重点分析了模型内部拒绝行为的几何结构，发现通过精心设计的对抗性后缀可以操纵模型的安全表示。这项发现对当前AI安全防线提出了新的挑战，表明仅依赖表面微调的安全对齐可能被针对性输入所突破。论文已在2026年7月提交至arXiv平台，并提供了完整的HTML和PDF预览版本，同时附带BibTeX引用数据及多种学术工具链接。 #AI安全 #对抗攻击 #大模型 #机器学习 #arXiv #研究论文 #激活引导 #安全对齐

线性表征是如何学习的？抽象动力学的精确解

一项发表在arXiv上的研究深入探讨了神经网络中线性表征的学习机制。作者William W. Yang等人提出了抽象动力学的精确解，揭示了在深度学习中，模型如何逐步形成对概念的线性抽象表示。该理论通过数学推导，描述了从底层特征到高层抽象表征的演化过程，为理解神经网络内部的信息压缩和特征提取提供了严谨的理论框架。这一发现有助于解释为何神经网络能高效学习并泛化，对推动可解释AI发展具有重要意义。 #人工智能 #神经网络 #深度学习 #线性表征 #抽象动力学 #可解释AI #机器学习

Prompt-Driven Exploration

一篇题为《Prompt-Driven Exploration》的学术论文于2026年7月9日提交至arXiv预印本平台（DOI待注册）。该研究由Sunshine Jiang等八位作者共同完成，探讨通过提示机制引导智能体进行高效探索的新方法。论文详细介绍了如何在复杂环境中，利用自然语言提示作为探索策略的一部分，以提升智能体的决策效率和自主学习能力。目前该论文提供PDF、HTML及TeX源码等多种格式访问，并关联了BibTeX引用、Google Scholar、Semantic Scholar等学术搜索工具。此外，论文还集成了arXivLabs实验项目，支持相关研究推荐和社区协作。 #AI #机器学习 #探索策略 #提示学习 #学术论文 #arXiv #智能体

利用中等非结构化稀疏权重矩阵加速大语言模型GPU推理

一篇来自arXiv的论文提出了一种新方法，旨在通过利用中等非结构化稀疏权重矩阵来加速大语言模型在GPU上的推理速度。该研究由Tao Lu等作者完成，论文详细探讨了如何在不显著牺牲模型精度的前提下，通过权重矩阵的稀疏化处理，减少计算量并提升GPU的运算效率。实验结果表明，这种中等程度的非结构化稀疏化方法能有效优化大语言模型的推理性能，对于部署和运行大规模模型具有实际应用价值。 #大语言模型 #GPU推理 #稀疏矩阵 #模型加速 #学术论文

DaDaDa 数据集发布，填补数据市场定价研究空白

近日，研究团队在 arXiv 上发布了名为 DaDaDa 的数据集，旨在解决数据市场中的数据定价难题。该数据集由 Qiheng Sun 等六位作者共同完成，其论文标题为《DaDaDa: A Dataset for Data Pricing in Data Marketplaces》。DaDaDa 数据集为数据市场中的定价机制研究提供了标准化数据基础，有望推动该领域实验与评估的规范化。研究团队通过该数据集，探索在不同市场环境下数据价值的量化与定价策略，为数据交易平台、大数据应用和人工智能模型的开发提供理论支持。该成果已附有 PDF 全文及 HTML 格式，供学术界与产业界参考。 #数据集 #数据定价 #数据市场 #AI #大数据 #研究 #学术

HERO 基准库发布

研究人员近日在 arXiv 上发布了一项名为“HERO”的基准库，旨在为联邦持续学习领域提供标准化评测工具。该基准库由 Thinh T. H. Nguyen 等七位学者共同提出，重点解决联邦学习中的异构性挑战。HERO 通过整合多种数据集和任务场景，支持研究人员评估不同算法在非独立同分布数据下的持续学习能力。这一工具的出现有望推动联邦学习在隐私保护场景下的实际应用，为跨设备协同学习提供更可靠的性能参考。 #联邦学习 #持续学习 #人工智能 #基准测试 #学术研究 # arXiv

LieBN

一篇题为《LieBN: 李群上的批量归一化》的论文在arXiv平台上发布。该研究提出了针对李群流形的批量归一化技术，旨在解决深度学习模型中非欧几里得数据空间上的训练不稳定问题。论文由Ziheng Chen等五位作者撰写，详细介绍了李群BN的理论基础与算法实现，并提供了PDF及HTML版本供学术社区查阅。相关工作已被收录于2026年7月的arXiv浏览上下文中，并获得了NASA ADS、Google Scholar、Semantic Scholar等多个学术索引工具的引用与链接。该研究对几何深度学习及流形上的表示学习具有潜在推动意义。 #李群 #批量归一化 #几何深度学习 #AI #论文 #arXiv

Director：通过在线主动专家放置加速分布式MoE服务

一篇关于分布式混合专家模型系统优化的重要论文将在arXiv平台发布。该论文提出"Director"系统，通过在线主动专家放置策略，显著提升分布式MoE模型的推理服务效率。传统MoE系统在处理大规模模型时面临专家分配不均导致的性能瓶颈，Director通过动态预测和智能调度，在请求到达前主动优化专家分布。实验表明，该方法能有效降低延迟并提高吞吐量。这项研究对推动大规模AI模型的实用化部署具有重要意义。 #论文 #分布式系统 #MoE模型 #AI推理 #性能优化 #学术研究

Reward Transport: Property Control in Flow Matching via Noise

Focus to learn more arXiv-issued DOI via DataCite Submission history From: Kehan Guo [ view email ] [v1] Sat, 13 Jun 2026 00:17:15 UTC (2,404 KB) Full-text links: Access Paper: View a PDF of the paper titled Reward Transport: Property Control in Flow Matching via Noise-Space Alignment, by Kehan Guo and 6 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: cs q-bio 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 Connect

ed Papers? ) 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 .

Sticky Routing

arXiv上发布的一篇新论文提出了一种名为“Sticky Routing”的方法，旨在训练混合专家（MoE）模型以实现内存高效推理。该方法通过改进路由机制，在保持模型性能的同时显著降低内存占用。研究团队来自学术界，论文详细介绍了Sticky Routing的设计原理和实验验证结果。该技术有望推动MoE模型在资源受限环境中的部署，为大规模语言模型的实用化提供新思路。 #AI #机器学习 #MoE #模型优化 #内存效率 #arXiv #深度学习

少位整数有符号对称量化研究

一篇题为《少位整数有符号对称量化》的学术论文于2026年6月12日提交至arXiv预印本平台。该论文由Ian Colbert等8位作者共同完成，主要探讨了针对少位整数的有符号对称量化方法。研究提出了一种新的量化技术，旨在优化低比特整数在深度学习模型中的表示与计算效率。论文提供了完整的PDF和HTML版本供读者查阅，并附带了BibTeX引用格式。该工作可能对神经网络压缩、边缘计算及低功耗AI推理等应用领域产生重要影响。 #量化 #深度学习 #神经网络 #AI #学术论文 #arXiv #整数计算

iLENS：可解释的大语言模型引导专家混合系统用于神经影像生存分析

arXiv平台近日发布了一项名为iLENS的研究成果，该研究提出了一种结合大语言模型与专家混合系统的新型神经影像生存分析方法。iLENS通过大语言模型引导多个专家模块协同工作，在保持高预测性能的同时，显著提升了模型的可解释性。该方法能够有效处理复杂的神经影像数据，为脑疾病预后评估提供更可靠的决策支持。研究团队表示，iLENS在多个公开数据集上取得了优于传统方法的性能表现，其可解释性特征有助于临床医生理解模型预测依据。该研究由Farica Zhuang等六位作者共同完成，相关论文已在arXiv预印本平台发布。 #iLENS #大语言模型 #神经影像 #生存分析 #可解释AI #医学影像 #arXiv

统一框架揭示大模型知识蒸馏的交互机制

一篇发表于arXiv的论文提出了一种统一框架，通过交互作用解释大型语言模型中的知识蒸馏过程。该研究由Qingzhuo Wang等五位作者完成，旨在深入理解知识蒸馏如何通过模型间的交互提升性能。论文提供了完整的PDF和HTML版本，并附有BibTeX引用格式。研究团队来自学术界，论文于2026年5月5日提交，当前浏览上下文为计算机科学领域。该工作还整合了多种工具，如文献探索器、代码查找器和影响力分析，以支持后续研究。这一框架有望为优化大模型训练提供理论指导，推动AI技术的透明化发展。 #知识蒸馏 #大语言模型 #AI研究 #arXiv #交互机制 #机器学习 #深度学习

低秩矩阵符号化与逐元素幂矩阵分解的复杂性研究

该论文由Nicolas Gillis等四位作者共同完成，探讨了低秩矩阵符号化与逐元素幂矩阵分解的计算复杂性。研究聚焦于在给定低秩约束下，如何高效确定矩阵的符号模式以及进行逐元素幂运算后的分解问题。论文通过理论分析揭示了相关问题的计算难度边界，为矩阵分解领域的算法设计提供了新的理论依据。该研究于2026年7月提交至arXiv预印本平台，目前提供PDF及HTML格式的全文访问。 #矩阵分解 #低秩近似 #计算复杂性 #数学 #机器学习 #算法理论

概率偏差校正提升AI与动力学子季节预报精度

一项发表于arXiv的研究提出了一种概率偏差校正方法，用于增强人工智能和动力学子季节预报的准确性。该研究由Hannah Guan等13位作者共同完成，论文标题为《Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction》。研究团队通过引入概率偏差校正技术，显著改进了对子季节时间尺度（通常为2周至2个月）气象预测的可靠性。该方法不仅适用于AI模型，也适用于传统动力学模型，能够有效减少系统性偏差，提高预报的稳定性和实用性。论文已通过arXiv平台发布，并提供了PDF、HTML及TeX源码等多种访问方式，相关数据可通过NASA ADS、Google Scholar等工具获取。 #子季节预报 #概率偏差校正 #AI #气象预测 #arXiv #科研论文

气候科学与机器学习融合

一项最新研究提出，通过将气候科学与机器学习相结合，可有效提升气候模型模拟的准确性与效率。该论文由Luca Schmidt、Nina Effenberger等多位学者合作完成，发表于arXiv预印本平台。研究指出，传统气候模型计算成本高昂，而机器学习方法能加速模拟过程，但两者在数据表示、物理一致性等方面存在鸿沟。作者团队提出了一种新的框架，旨在弥合这一差距，通过整合物理约束与数据驱动模型，实现更可靠的气候预测。该工作为未来气候建模提供了新思路，有望推动气候变化应对策略的优化。 #气候科学 #机器学习 #气候模型 #AI #科研 #气候变化 #arXiv

从交叉验证到SURE

一项最新研究深入探讨了调优正则化估计量的渐近风险，将交叉验证与SURE（Stein无偏风险估计）两种方法联系起来。研究由Karun Adusumilli等学者完成，论文详细分析了在正则化参数选择过程中，交叉验证与SURE在渐近风险上的等价性。通过理论推导和数值模拟，作者证明了在特定条件下，两种方法选择的估计量具有相同的渐近风险表现。这一发现为高维统计和机器学习中的模型选择提供了重要理论依据，有助于理解不同调优策略的统计性质。论文还讨论了相关理论在实际应用中的意义，为后续研究奠定了基础。 #交叉验证 #SURE #正则化估计量 #渐近风险 #统计学习 #高维统计 #模型选择

基于机器学习的网络攻击分类与对抗式生成数据方法统计评估

一篇发表于arXiv的学术论文提出了一种利用机器学习进行网络攻击分类的新方法，并对对抗式学习在合成数据生成中的应用进行了统计评估。研究基于多类型网络攻击数据集，采用多种机器学习算法进行分类性能对比，并通过统计手段系统分析了对抗训练环境下生成数据的质量和可靠性。实验结果表明，所提方法在攻击识别准确率和鲁棒性方面均优于传统基线模型，同时揭示了对抗式数据生成在提升模型防御能力与保持数据真实性之间的权衡。这项研究为网络安全领域的数据增强和模型训练提供了实证参考。 #机器学习 #网络安全 #对抗学习 #数据生成 #网络攻击分类 #arXiv #学术论文

在线非单调DR

一篇题为《在线非单调DR-子模最大化问题在向下闭凸集上的上线性化》的学术论文近日在arXiv预印本平台发布。该研究由Yiyang Lu等五位学者共同完成，主要探讨了在线优化领域中非单调DR-子模函数在向下闭凸集上的最大化问题。论文提出了上线性化方法，旨在解决传统算法在处理此类复杂优化问题时面临的效率与收敛性挑战。研究通过理论分析证明了该方法在特定条件下的性能保证，为在线学习、资源分配和机器学习等应用场景提供了新的理论工具。论文于2026年2月首次提交，并于同年7月更新，目前可通过arXiv获取全文。 #arXiv #优化算法 #子模函数 #在线学习 #机器学习 #学术论文 #数学优化

基于预测固定样本检验决策实现任意时点有效推断

一项名为“Predicting fixed-sample test decisions enables anytime-valid inference”的研究由Chris Holmes和Stephen Walker共同发布。该论文提出，通过预测固定样本的检验决策，能够在数据收集的任何阶段进行有效推断，无需预设停止时间。这一方法打破了传统假设检验中需在固定样本量下做出结论的限制，允许研究者持续监控数据并随时更新统计推断。研究通过在arXiv预印本平台发布，目前支持PDF和TeX源码下载，并提供了参考文献、引用工具及相关论文推荐。该成果对统计学和机器学习领域具有潜在影响，为实时数据分析提供了一种新范式。 #统计学 #假设检验 #实时推断 #arXiv #机器学习 #数据分析 #学术论文