适应证据神经网络与测试时邻居融合提升分子性质预测

来自arXiv的一项新研究提出了一种名为“测试时邻居融合”的方法，通过调整证据神经网络在推理阶段的邻域信息整合，显著提升了分子性质预测的准确性和鲁棒性。传统分子性质预测模型通常依赖静态图结构，而新方法允许模型在测试时动态融合邻居节点的证据，从而更好地捕捉局部化学环境。实验表明，该方法在多个分子数据集上优于现有基准，尤其在小样本和分布外场景下表现突出。该研究为药物发现和材料设计中的可靠预测提供了新思路。 #arXiv #分子性质预测 #证据神经网络 #测试时融合 #化学信息学 #机器学习 #药物发现

研究者提出基于确定性策略的扩展平均场控制Actor

近日，一篇题为《Actor-Critic Learning for Extended Mean Field Control with Deterministic Policies》的论文在arXiv提交。该论文由Ziheng Cheng等作者完成，聚焦于扩展平均场控制问题的强化学习解法。研究将Actor-Critic算法与确定性策略相结合，为大规模多智能体系统的控制与学习提供了新的理论框架。该方法通过平均场近似，有效降低了维数灾难带来的计算复杂度，同时利用确定性策略提升了策略优化效率。论文目前处于预印本阶段，其成果有望推动多智能体强化学习、平均场博弈及相关控制理论的发展。 #arXiv #ActorCritic #MeanFieldControl #DeterministicPolicy #多智能体 #强化学习 #预印本

动态费用下基于强化学习的DEX执行策略研究

Wen-Ting Wang在预印本平台arXiv上发表论文，提出一种在闭环去中心化交易模拟器中，利用强化学习应对动态费用条件下的执行策略。该研究针对当前DeFi领域DEX费用波动对交易执行效率的影响，通过构建模拟环境训练智能体，探索在动态费用机制下优化交易执行的算法。论文展示了强化学习在复杂金融场景中的应用潜力，为DEX流动性管理和成本控制提供了新思路，相关代码和数据已公开供后续研究验证。 #强化学习 #DEX #DeFi #交易执行 #动态费用 #模拟器 #金融科技 #学术论文

WSqD: 一种无水平线的深度学习模型训练学习率调度方法

一项最新研究提出了名为WSqD的学习率调度方案，旨在解决大规模模型训练中学习率调整的难题。该方案创新性地引入“无水平线”设计，无需预先设定训练步数或数据量，能自动适应不同规模模型和数据集。实验表明，WSqD在多个深度学习基准任务上表现稳定，有效降低了超参数调优成本，尤其适用于计算资源动态变化的场景，为大规模AI训练提供了更实用的优化工具。 #深度学习 #学习率调度 #大模型训练 #AI优化 #WSqD

粘性跳跃扩散

来自arXiv的一篇新论文提出了“粘性跳跃扩散”（Sticky Jump Diffusions）框架，旨在统一当前生成式AI领域中的掩码扩散、连续扩散以及混合扩散模型。研究团队通过数学建模，将看似不同的扩散过程纳入同一理论体系，揭示了它们在随机过程中的内在联系。该工作不仅深化了对扩散模型底层机制的理解，还可能为未来设计更高效、更灵活的生成算法提供理论指导。论文由Pascal Jutras-Dubé等五位作者完成，于2026年7月提交至预印本平台。 #扩散模型 #统一框架 #生成式AI #arXiv #机器学习 #理论研究 #人工智能

Bandit PCA 实现极小极大最优遗憾率

研究人员提出了一种全新的 Bandit PCA（主成分分析）算法，在遗憾值理论上达到了极小极大最优性。该方法通过自适应探索与利用策略，在每次选择主成分方向后仅观察一维反馈，大幅降低样本复杂度。实验证明，该算法在合成数据和真实高维数据集上均优于现有方案，为在线降维与特征提取提供了理论保障。 #BanditPCA #机器学习 #优化算法 #极小极大 #高维数据

快速全脑几何感知功能对齐技术实现跨被试解码

一项发表于《认知计算神经科学》会议的研究提出了一种快速全脑几何感知功能对齐方法，用于改善跨被试脑信号解码效果。该方法通过考虑大脑解剖结构的几何特征，在整脑尺度上实现高效精确的功能对齐，显著提升了不同个体间神经数据的可比性。研究团队在实验中验证了该技术在处理大规模脑成像数据时的速度与准确性，为后续跨被试解码任务提供了有力工具。 #认知神经科学 #脑成像 #功能对齐 #跨被试解码 #神经技术 #人工智能 #生物医学工程

潜在治疗效果谱结构研究新成果公布

一篇来自 arXiv 的学术论文探讨了潜在治疗效果的谱结构。该研究由 Hamza Virk 等三位作者完成，于2026年7月12日提交。论文通过数学方法分析了治疗效果的潜在空间结构，为因果推断和统计学习领域提供了新的理论框架。研究涉及计算机科学和统计学等交叉学科，并提供了 PDF、HTML 及 TeX 源码等完整内容，可供学术社区参考。当前文献检索和引用系统已收录该研究成果。 #arXiv #因果推断 #统计学 #机器学习 #学术论文

增量Transformer模型助力地质聚合物混合物逆向设计

研究人员提出了一种基于增量Transformer的替代模型，用于地质聚合物混合物的逆向设计。该模型通过深度学习技术，能够高效预测和优化地质聚合物材料的成分-性能关系，为可持续建筑材料开发提供新思路。论文详细介绍了模型架构、训练方法和实验验证结果，展示其在复杂材料设计中的优势。研究团队表示，该方法有望加速新型地聚合物的研发进程，降低实验成本。 #地质聚合物 #材料设计 #Transformer #深度学习 #逆向设计 #可持续建筑 #AI应用

GNet: 一种灵活可扩展的高斯过程网络，采用非参数神经元

7月12日，来自Mengyang Gu的研究论文提出了一种新型高斯过程网络GNet，该模型采用非参数神经元实现灵活、可扩展的机器学习架构。与传统神经网络相比，GNet将高斯过程嵌入网络结构，能在小样本场景下保持良好性能，同时在计算效率上具备优势。论文详细介绍了GNet的设计原理、理论特性及实验验证，表明其在回归和分类任务中与现有模型相当或更优。该研究为高斯过程模型在大规模数据上的应用提供了新思路，相关代码和数据已在arXiv发布。 #GNet #高斯过程 #非参数神经元 #机器学习 #arXiv #统计学习

学习应力定律的极端值视角

12月2026年 arXiv提交论文《学习应力定律的极端值视角》由Mantu Gupta和Anand Deo撰写，聚焦于从极端值理论视角探究应力定律的学习机制。论文通过统计方法分析金融或物理学中的应力分布规律，旨在提升极端事件下的预测精度。相关工作已通过arXiv平台发布，并支持HTML、TeX源码等格式浏览，引用及参考文献可通过NASA ADS、Google Scholar等工具获取。研究对理解风险管理和极端事件建模具有潜在影响，尤其在金融工程和材料科学领域。 #论文 #人工智能 #机器学习 #金融工程 #物理学 #极端值理论 #应力定律

动态图带臂反馈的局部游走学习算法研究

一项关于动态图上局部游走学习的研究近日在arXiv平台发布。该研究由Sourav Chakraborty等人完成，提出了一种在动态图环境中利用带臂反馈进行局部游走学习的新算法。论文探讨了如何在图结构随时间变化时，通过有限步局部游走收集信息，并结合臂反馈机制优化决策，从而有效应对动态图学习中的探索与利用困境。该方法有望应用于社交网络、推荐系统等需要实时处理动态图数据的场景。论文已提交至arXiv，待DataCite分配DOI，研究团队提供了PDF和HTML格式的全文访问。 #动态图 #局部游走 #带臂反馈 #机器学习 #图算法 #arXiv #论文

微分神经正切核及其正定性研究

该论文研究了微分神经正切核（Differential Neural Tangent Kernel）及其正定性问题。论文作者为Bangti Jin等人，于2026年7月11日提交至arXiv预印本平台。研究聚焦于微分神经正切核的数学性质，特别是其正定性条件，这对理解深度神经网络的训练动态和收敛性具有重要意义。论文提供了完整的数学分析和理论证明，并可通过PDF或HTML格式查看全文。该工作属于机器学习和深度学习理论基础领域，可能对神经网络优化和泛化理论产生深远影响。 #微分神经正切核 #神经网络 #正定性 #深度学习理论 #arXiv #机器学习 #AI数学基础

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

能量引导递归模型研究论文发布

一篇题为《能量引导递归模型》的研究论文已在arXiv预印本平台发布。该论文由Yifei Zhao等作者撰写，提交于2026年7月11日。论文提出了一种以能量引导的递归模型，旨在提升模型在多步骤推理任务中的性能。研究通过正则化流程与递归架构结合，优化了模型在复杂问题中的连续推测能力。该工作可能对机器学习和统计学领域的递归建模方法产生参考价值，目前论文已开放PDF和HTML版本供学术社区查阅。 #arXiv #能量引导 #递归模型 #机器学习 #研究论文 #AI #科技前沿 #YifeiZhao

扩散模型的守恒定律研究

一篇题为《扩散模型的守恒定律》的论文在arXiv平台发布。该论文由Ziv Aharoni等研究人员撰写，探讨了扩散模型中的守恒定律，旨在揭示模型内部隐式的数学结构。研究可能为理解扩散模型的生成过程和优化方向提供新的理论视角。论文已提供PDF和TeX源文件下载，目前可在计算机科学、数学和统计学等相关领域进行浏览与引用。 #扩散模型 #守恒定律 #AI #机器学习 #论文

基于面板数据的马尔可夫链选择模型

该研究提出了一种基于面板数据的马尔可夫链选择模型，用于解决消费者行为建模中的估计、预测与分类优化问题。作者通过引入面板数据，克服了传统横截面数据无法捕捉个体异质性的局限，并开发了基于EM算法的参数估计方法。实验证明，所提模型在预测准确性和分类优化效率上均优于现有基准模型。该工作不仅为零售业提供更精准的商品推荐策略，还为电商平台优化产品展示提供了理论依据。 #机器学习 #推荐系统 #选择模型 #面板数据 #马尔可夫链 #优化算法 #电子商务

多样化多项Logit上下文强盗算法

来自Heesang Ann等研究者的论文《多样化多项Logit上下文强盗算法》在arXiv平台发布。该研究针对在线推荐场景中的用户选择行为建模，提出了一种结合多样化策略与多项Logit模型的上下文强盗算法。传统上下文强盗算法往往忽视推荐内容的多样性，导致用户体验下降。新算法通过引入多样化约束，在平衡探索与利用的同时，保持推荐结果的多样性。理论分析和实验结果表明，该方法在点击率和用户满意度方面均优于基线算法，尤其适用于电商、新闻推荐等需要兼顾精准与多样性的场景。 #机器学习 #推荐系统 #强盗算法 #上下文学习 #论文 #AI #多样性

针对数据稀缺登革热预测的长记忆储备池计算研究

一项来自arXiv的最新研究提出了一种名为“长记忆储备池计算”的新型方法，旨在解决登革热流行预测中常见的数据稀缺问题。该研究由Rahul Goswami等人完成，于2026年7月发布。传统预测模型在高维时间序列数据下表现不佳，尤其是在缺乏充足历史疫情数据的发展中国家。该方法通过强化储备池计算的长期记忆能力，提升了模型在小型、不完整或噪声数据上的预测精度。实验结果显示，该框架在登革热爆发预测任务中显著优于现有基准模型，为资源受限环境的疾病监测和公共卫生干预提供了高效工具。 #arXiv #登革热 #预测模型 #储备池计算 #数据稀缺 #公共卫生 #时间序列 #AI #机器学习

边缘聚类与径向旋转注意力机制助力原子间势能建模

一篇题为《Edge Cluster Expansion with Radial Rotary Attention for Interatomic Potentials》的论文于2026年7月12日提交至arXiv预印本平台。该研究提出了一种结合边缘聚类扩展与径向旋转注意力机制的新方法，旨在提升原子间势能模型的精度与效率。论文作者包括Zemin Xu等三人，目前可在arXiv上获取PDF、HTML及TeX源码版本。该工作涉及凝聚态物理、计算机科学、统计学及物理学等多个交叉学科领域，有望为材料科学中的原子模拟提供更强大的工具。 #arXiv #原子间势能 #边缘聚类 #径向旋转注意力 #材料科学 #机器学习 #论文

利用广义非凸正则化从非线性观测中分离稀疏信号

一篇发表在arXiv上的研究论文提出了一种从非线性观测中分离稀疏信号的新方法。该方法采用广义非凸正则化技术，旨在处理信号恢复中的复杂非线性问题。论文作者Raziyeh Takbiri在提交记录中展示了相关研究成果，内容涉及信号处理、稀疏表示和优化理论。该研究对通信、图像处理和数据压缩等领域具有潜在应用价值，为从混合或多源非线性数据中提取有效信息提供了新思路。目前论文可通过arXiv获取全文，并支持HTML、TeX源码等多种浏览方式。 #信号处理 #稀疏信号 #非凸正则化 #数学优化 #arXiv #学术论文 #数据科学