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

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

神经网络中的利普希茨连续性原理研究

一篇题为《神经网络中的利普希茨连续性原理》的学术论文近日在arXiv预印本平台发布。该研究由Róisín Luo完成，论文深入探讨了利普希茨连续性在神经网络中的理论基础与应用原理。利普希茨连续性是数学分析中的一个关键概念，用于衡量函数变化速度的上界。在神经网络领域，该性质对于保证模型的稳定性和鲁棒性具有重要意义。论文可能涉及了如何在网络训练中保持或约束利普希茨常数，以提高模型对输入扰动的抵抗能力。该工作为深度学习中的稳定性理论提供了新的视角。论文当前版本提交于2026年2月，相关源码与数据链接也已开放，便于其他研究者复现和验证。 #利普希茨 #神经网络 #深度学习 #数学理论 #arXiv #论文 #AI理论

差分隐私合成数据实战指南

一篇来自 arXiv 的研究论文《How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy》提供了生成符合差分隐私标准的合成数据的实用指南。该论文由 Natalia Ponomareva 等15位作者共同撰写，已被 JAIR 2026 年第86卷收录。文章详细阐述了在数据合成过程中应用差分隐私技术的方法论，帮助研究者和开发者在不暴露原始数据敏感信息的前提下，生成可用于分析、建模的合成数据集。这一指南对于推动隐私保护下的数据共享与机器学习应用具有重要意义。 #差分隐私 #合成数据 #数据隐私 #机器学习 #学术论文 #隐私保护 #数据科学

Poincaré混沌展开增强梯度全局灵敏度分析研究

一项关于全局灵敏度分析的新方法研究近日在arXiv上发布。来自法国图卢兹INSA等机构的研究者O Roustant等人，提出了基于Poincaré混沌展开的梯度增强型全局灵敏度分析方法。该方法通过结合梯度信息与混沌展开技术，改进了传统灵敏度分析的精度和效率。研究论文详细阐述了新方法的数学框架、理论优势，并可能对统计、数学及工程领域的复杂系统建模产生重要影响。该研究已提交至arXiv，并包含完整PDF和TeX源码供学术查阅。 #数学 #统计 #机器学习 #灵敏度分析 #学术研究 #Poincaré #arxiv

熵正则变分目标次优性的可计算度量

一项最新研究提出了针对熵正则化变分目标的次优性可计算度量方法。该论文由Clémentine Chazal等五位作者撰写，已在arXiv平台发布多个版本更新。研究聚焦于变分推断中熵正则化目标的优化问题，通过引入可计算指标来评估近似后验分布与真实目标之间的差距，为变分方法的理论分析提供了新的工具。该度量考虑到熵正则项的影响，能够有效衡量变分近似的质量，对于改进和优化变分贝叶斯方法具有重要理论意义。论文还提供了完整的技术细节和理论证明，相关代码和数据也已公开。 #变分推断 #熵正则化 #机器学习 #统计学 #贝叶斯方法

Cluster and then Embed

研究者提出一种名为"先聚类再嵌入"的模块化可视化方法。该方法通过先对高维数据进行聚类，再对聚类结果进行嵌入降维，有效解决了传统可视化方法在处理大规模数据时面临的效率和可解释性问题。实验表明，该模块化方法在不同数据集上均展现出优异性能，能更好地保持数据局部结构和全局拓扑特征。研究团队由Elizabeth Coda、Ery Arias-Castro和Gal Mishne组成，相关论文已在arXiv预印本平台发布。 #机器学习 #数据可视化 #聚类 #降维 #arXiv #模块化方法 #数据科学

固定预算下的多指标自适应实验设计方法

一项新的研究提出了一种在固定预算下针对多指标进行自适应实验设计的方法，并引入了验证机制。该方法旨在解决传统实验设计中样本量有限、多目标评估困难的问题，通过自适应分配资源，在多个性能指标间进行权衡。研究团队详细阐述了算法框架，包括如何动态调整实验参数以优化整体效果，并利用验证步骤确保结果可靠性。实验结果表明，该方案在预算约束下能有效提升多指标综合性能，为临床试验、A/B测试等领域提供了新工具。相关论文已提交至arXiv预印本平台。 #自适应实验设计 #固定预算 #多指标 #验证机制 #统计学 #机器学习 #arXiv

自监督早期退出机制加速大语言模型推理

一篇发表于arXiv的论文提出了一种利用自监督早期退出机制加速大语言模型推理的新方法。该方法通过在模型内部设置多个退出点，允许模型在推理过程中根据输入复杂度动态选择提前终止计算，从而显著降低计算开销。研究团队在多个基准测试上验证了该方法的有效性，结果显示在保持模型输出质量的前提下，推理速度提升了数倍。该技术有望降低大语言模型在实际应用中的部署成本，推动其在资源受限场景中的广泛使用。 #大语言模型 #推理加速 #自监督学习 #早期退出 #AI #论文 #arXiv

双层极小极大优化加速算法研究论文被撤稿

一篇题为《双层与极小极大优化的加速全一阶方法》的学术论文，于2024年5月首次提交至arXiv预印本平台，并在后续经过多次修订。该论文由Chris Junchi Li撰写，主要研究针对双层优化和极小极大优化问题的加速全一阶方法，旨在提升相关优化算法的效率与收敛速度。然而，根据arXiv平台的最新记录显示，该论文的第四个版本（于2026年7月提交）已被正式标记为“已撤稿”状态，撤稿原因为“该版本无许可证”。由于论文已被撤稿，其当前版本已不再提供有效的访问许可，相关学术内容也不再通过arXiv平台公开传播。这一撤稿事件可能对相关领域的研究者和从业者获取该算法细节造成影响。 #arXiv #论文撤稿 #优化算法 #学术动态 #机器学习