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

ReLU神经网络逼近解析函数

一篇由Yanming Lai等人提交至arXiv的论文探讨了使用可调深度与宽度的ReLU神经网络逼近解析函数的问题。该研究分析了神经网络结构参数对逼近性能的影响，为理解ReLU网络在解析函数逼近中的能力提供了理论依据。论文还附带了PDF全文及BibTeX引用数据，并可通过arXiv的多个工具（如关联论文推荐、代码链接、科学引文分析等）进行检索与探索。相关浏览上下文包括计算机科学、数学与统计学科领域。 #神经网络 #ReLU #解析函数 #逼近理论 #深度学习 #arXiv #数学研究

新论文提出短文本聚类新方法

近日，一篇题为《超越仰望，尝试环顾：在最优传输中调和短文本聚类的全局结构与局部一致性》的学术论文在 arXiv 上公开。该论文由 Zhihao Yao 等四位作者完成，针对短文本聚类中全局结构和局部一致性难以协同的问题，提出了一种基于最优传输理论的新方法。传统聚类方法常因短文本稀疏性导致效果不佳，而新方法通过同时考虑数据的整体分布与局部细节，实现更精准的聚类。论文已通过 DataCite 注册 DOI，并提供 PDF 及 HTML 版本供免费查阅，研究工具与数据链接也已随文发布，受到计算机科学和统计学领域的关注。 #短文本聚类 #最优传输 #全局结构 #局部一致性 #arXiv #机器学习 #论文

无本质异质性下半参数因果中介分析的表示学习

本研究提出一种基于表示学习的半参数因果中介分析方法，适用于无本质异质性假设场景。研究论文由Roberto Faleh及其合作者撰写，于2026年7月12日提交至预印本平台arXiv。该方法通过自动学习数据表示，能够在不假设中间变量与处理变量间存在交互作用的情况下，更有效地估计因果中介效应。实验证明，该框架在复杂因果路径推断中表现出色，为社会科学和医学领域的因果机制研究提供了新的统计工具。 #因果推断 #表示学习 #半参数方法 #统计学习 #arXiv #机器学 #因果中介分析

融合背景知识的可扩展因果发现研究论文发布

近日，一篇题为《Integrating Background Knowledge for Scalable Causal Discovery》的研究论文在 arXiv 平台正式发布。该论文由 Mátyás Schubert 等人撰写，主要关注如何将背景知识系统性地整合进因果发现流程中，以提升因果结构学习算法的可扩展性与鲁棒性。研究指出，传统因果发现方法多依赖纯数据驱动，而引入先验知识或领域经验能够有效降低搜索空间，增强发现效率与准确度。该工作有望为机器学习、数据科学等领域的因果推断提供新的方法论支持。 #因果发现 #背景知识 #可扩展性 #机器学习 #arXiv #论文 #AI #因果推断

TSCoNet：两阶段Copula CNN

研究人员Jongwook Kim等人提出了一种名为TSCoNet的新型时空预测框架。该模型结合卷积神经网络（CNN）与长短期记忆网络（LSTM），通过两阶段Copula方法有效捕捉时空数据中的不确定性。与传统模型相比，TSCoNet在预测准确性和对复杂依赖关系的建模能力上均有提升，相关论文已提交至arXiv平台。 #时空预测 #深度学习 #不确定性量化 #LSTM #CNN #Copula #人工智能