DeepLoop: 循环Transformer的深度缩放方法研究
arXiv最新收录了一篇题为《DeepLoop: Depth Scaling for Looped Transformers》的论文。该研究由Shuzhen Li等五位作者完成，提交于2026年7月15日。论文聚焦于循环变压器架构中的深度缩放问题，探索如何通过循环机制实现更高效的深度扩展，为提升Transformer模型的计算效率和性能提供了新思路。目前论文仅提供PDF、HTML及TeX源码等访问方式，相关代码与数据链接暂未公开。 #DeepLoop #循环Transformer #深度缩放 #arXiv #AI论文 #深度学习 #机器学习
arXiv最新收录了一篇题为《DeepLoop: Depth Scaling for Looped Transformers》的论文。该研究由Shuzhen Li等五位作者完成，提交于2026年7月15日。论文聚焦于循环变压器架构中的深度缩放问题，探索如何通过循环机制实现更高效的深度扩展，为提升Transformer模型的计算效率和性能提供了新思路。目前论文仅提供PDF、HTML及TeX源码等访问方式，相关代码与数据链接暂未公开。 #DeepLoop #循环Transformer #深度缩放 #arXiv #AI论文 #深度学习 #机器学习
分布鲁棒与安全模仿学习论文在arXiv预印发布
近日，arXiv平台上预印了一篇题为《Distributionally Robust and Safe Imitation Learning》的学术论文，作者为Ahmed Aboudonia与Naira Hovakimyan。该论文聚焦于模仿学习中的分布鲁棒性与安全保证问题，旨在提升智能体在面对环境分布变化时的决策可靠性及安全性。研究提出了一种新的理论框架，可能对机器人控制、自动驾驶等对鲁棒性和安全性要求极高的领域具有重要参考价值。论文现已开放PDF和HTML全文版本，供学界下载与讨论。 #AI #机器学习 #模仿学习 #鲁棒性 #安全 #arXiv #论文
近日，arXiv平台上预印了一篇题为《Distributionally Robust and Safe Imitation Learning》的学术论文，作者为Ahmed Aboudonia与Naira Hovakimyan。该论文聚焦于模仿学习中的分布鲁棒性与安全保证问题，旨在提升智能体在面对环境分布变化时的决策可靠性及安全性。研究提出了一种新的理论框架，可能对机器人控制、自动驾驶等对鲁棒性和安全性要求极高的领域具有重要参考价值。论文现已开放PDF和HTML全文版本，供学界下载与讨论。 #AI #机器学习 #模仿学习 #鲁棒性 #安全 #arXiv #论文
Local Redundancy
来自arXiv的一篇预印本论文提出了一种名为“局部冗余”的信息论度量，用于评估人工智能模型通过合成记忆实现的可塑性。该研究由Jiaxuan Cheng完成，于2026年7月15日提交。传统上，可塑性衡量模型适应新任务的能力，但缺乏统一的信息论基础。论文从合成记忆的角度出发，定义了局部冗余指标，量化模型内部表示中的冗余程度，从而推断其可塑性。这项工作为理解和优化神经网络的学习与遗忘机制提供了新工具，有望在持续学习、迁移学习等领域产生重要影响。目前该论文可在arXiv上获取，相关代码和实验细节即将公开。 #arXiv #信息论 #可塑性 #神经网络 #机器学习 #合成记忆 #局部冗余 #AI #持续学习 #学术论文
来自arXiv的一篇预印本论文提出了一种名为“局部冗余”的信息论度量，用于评估人工智能模型通过合成记忆实现的可塑性。该研究由Jiaxuan Cheng完成，于2026年7月15日提交。传统上，可塑性衡量模型适应新任务的能力，但缺乏统一的信息论基础。论文从合成记忆的角度出发，定义了局部冗余指标，量化模型内部表示中的冗余程度，从而推断其可塑性。这项工作为理解和优化神经网络的学习与遗忘机制提供了新工具，有望在持续学习、迁移学习等领域产生重要影响。目前该论文可在arXiv上获取，相关代码和实验细节即将公开。 #arXiv #信息论 #可塑性 #神经网络 #机器学习 #合成记忆 #局部冗余 #AI #持续学习 #学术论文
PUe
arXiv上近日收录了一篇题为《PUe: Biased Positive-Unlabeled Learning Enhancement by Causal Inference》的论文。该研究由Xutao Wang等三位作者共同完成，于2026年7月15日提交。论文关注正无标记（PU）学习场景中普遍存在的选择偏差问题，提出了一种名为PUe的新方法，借助因果推断技术来缓解偏差对模型性能的影响。该方法旨在从仅有少量正样本和大量未标记样本的数据中更准确地学习分类器，提升模型在真实世界偏斜数据上的鲁棒性。目前该论文已提供PDF全文及HTML预览，相关代码与数据链接也将陆续公开。 #论文 #机器学习 #PU学习 #因果推断 #AI #arXiv #学术研究
arXiv上近日收录了一篇题为《PUe: Biased Positive-Unlabeled Learning Enhancement by Causal Inference》的论文。该研究由Xutao Wang等三位作者共同完成，于2026年7月15日提交。论文关注正无标记（PU）学习场景中普遍存在的选择偏差问题，提出了一种名为PUe的新方法，借助因果推断技术来缓解偏差对模型性能的影响。该方法旨在从仅有少量正样本和大量未标记样本的数据中更准确地学习分类器，提升模型在真实世界偏斜数据上的鲁棒性。目前该论文已提供PDF全文及HTML预览，相关代码与数据链接也将陆续公开。 #论文 #机器学习 #PU学习 #因果推断 #AI #arXiv #学术研究
OrDA：正交解耦访问习惯框架，优化首页营销块推荐
一篇来自arXiv的学术论文提出名为OrDA（正交解耦访问习惯）的新框架，旨在优化首页营销块的推荐效果。该框架通过正交解耦技术，将用户的访问习惯分解为多个独立维度，从而更精准地捕捉不同用户群体的偏好。与传统推荐模型相比，OrDA能有效消除特征间的冗余与干扰，提升推荐在首页营销场景下的点击转化率与个性化程度。研究团队基于真实数据集进行了实验验证，结果表明该方法在多目标任务上均优于现有基线。这一工作为电商、内容平台等首页营销块的个性化推荐提供了新的思路，有望推动工业界推荐系统的进一步升级。 #推荐系统 #解耦学习 #首页营销 #arXiv #学术论文 #个性化推荐 #正交分解
一篇来自arXiv的学术论文提出名为OrDA（正交解耦访问习惯）的新框架，旨在优化首页营销块的推荐效果。该框架通过正交解耦技术，将用户的访问习惯分解为多个独立维度，从而更精准地捕捉不同用户群体的偏好。与传统推荐模型相比，OrDA能有效消除特征间的冗余与干扰，提升推荐在首页营销场景下的点击转化率与个性化程度。研究团队基于真实数据集进行了实验验证，结果表明该方法在多目标任务上均优于现有基线。这一工作为电商、内容平台等首页营销块的个性化推荐提供了新的思路，有望推动工业界推荐系统的进一步升级。 #推荐系统 #解耦学习 #首页营销 #arXiv #学术论文 #个性化推荐 #正交分解
KAN vs MLP：结构化数据分类的统计优势是否值得成本？
一项最新研究对KAN（Kolmogorov-Arnold Networks）和MLP（多层感知机）在结构化数据分类任务上的性能与成本进行了系统性比较。实验结果显示，KAN在某些场景下展现出统计优势，但其高昂的计算成本和对超参数的高度敏感性可能抵消这一优势。研究团队通过多个标准数据集评估了模型精度、训练时间及资源消耗，指出在有限数据或资源受限环境下，MLP仍可能是更稳健的选择。该工作为深度学习模型选型提供了重要参考，尤其在结构化数据分类领域引发关于“统计优势”与“实际成本”之间平衡的讨论。 #KAN #MLP #深度学习 #结构化数据 #分类 #arXiv #论文
一项最新研究对KAN（Kolmogorov-Arnold Networks）和MLP（多层感知机）在结构化数据分类任务上的性能与成本进行了系统性比较。实验结果显示，KAN在某些场景下展现出统计优势，但其高昂的计算成本和对超参数的高度敏感性可能抵消这一优势。研究团队通过多个标准数据集评估了模型精度、训练时间及资源消耗，指出在有限数据或资源受限环境下，MLP仍可能是更稳健的选择。该工作为深度学习模型选型提供了重要参考，尤其在结构化数据分类领域引发关于“统计优势”与“实际成本”之间平衡的讨论。 #KAN #MLP #深度学习 #结构化数据 #分类 #arXiv #论文
大模型自改进存在“顿悟”现象，顿悟式微调研究揭示能力突变
一项来自 arXiv 预印本的研究提出，大规模语言模型在自我改进过程中往往表现出“顿悟”式的突然性提升。论文名为《Self-Improving is Often Sudden: Enlightenment-style Finetuning for Large-Scale Models》，作者发现传统认知中模型性能的渐进式提升并不完全准确，尤其是在大规模参数模型上，微调过程会在某一时刻出现能力突变，类似于人类的顿悟时刻。研究团队提出了一种“顿悟式微调”方法，旨在利用这种突然性提升来优化训练效率。这一发现对理解大模型的涌现能力、减少训练成本以及设计更高效的微调策略具有重要启示，也为人工智能的自我进化机制提供了新视角。 #大模型 #顿悟 #微调 #AI #机器学习 #arXiv #论文 #模型涌现 #自我改进
一项来自 arXiv 预印本的研究提出，大规模语言模型在自我改进过程中往往表现出“顿悟”式的突然性提升。论文名为《Self-Improving is Often Sudden: Enlightenment-style Finetuning for Large-Scale Models》，作者发现传统认知中模型性能的渐进式提升并不完全准确，尤其是在大规模参数模型上，微调过程会在某一时刻出现能力突变，类似于人类的顿悟时刻。研究团队提出了一种“顿悟式微调”方法，旨在利用这种突然性提升来优化训练效率。这一发现对理解大模型的涌现能力、减少训练成本以及设计更高效的微调策略具有重要启示，也为人工智能的自我进化机制提供了新视角。 #大模型 #顿悟 #微调 #AI #机器学习 #arXiv #论文 #模型涌现 #自我改进
Agora：实现无许可、集体化的互联网规模大语言模型预训练
一篇题为《Agora：集体化且无需许可的互联网规模大语言模型预训练》的论文近日在arXiv平台发布。该研究由Gil Avraham等11位作者共同完成，提出了一种全新的分布式预训练范式，旨在打破当前大模型训练对中心化算力集群的依赖。Agora框架允许全球各地的个体或组织贡献闲置计算资源，以无许可、去中心化的方式协作训练超大规模语言模型。这一方法有望大幅降低大模型训练的门槛和成本，推动AI民主化进程。论文详细描述了系统架构、去中心化训练的通信协议及容错机制，并展示了在互联网规模数据上的初步实验结果。该工作为未来开放、协作的AI基础设施建设提供了新思路。 #Agora #大模型 #预训练 #去中心化 #AI #算法 #arXiv
一篇题为《Agora：集体化且无需许可的互联网规模大语言模型预训练》的论文近日在arXiv平台发布。该研究由Gil Avraham等11位作者共同完成，提出了一种全新的分布式预训练范式，旨在打破当前大模型训练对中心化算力集群的依赖。Agora框架允许全球各地的个体或组织贡献闲置计算资源，以无许可、去中心化的方式协作训练超大规模语言模型。这一方法有望大幅降低大模型训练的门槛和成本，推动AI民主化进程。论文详细描述了系统架构、去中心化训练的通信协议及容错机制，并展示了在互联网规模数据上的初步实验结果。该工作为未来开放、协作的AI基础设施建设提供了新思路。 #Agora #大模型 #预训练 #去中心化 #AI #算法 #arXiv
大规模零售需求预测中的保精度稳定性正则化方法
一篇题为《Accuracy-Preserving Stability Regularization for Large-Scale Retail Demand Forecasting》的学术论文近日在 arXiv 预印本平台发布。该论文由 Jize Li 等六位作者共同完成，提交于 2026 年 7 月 14 日。研究聚焦大规模零售需求预测中模型稳定性与预测精度的平衡问题，提出了一种保精度稳定性正则化方法，旨在在不牺牲预测准确性的前提下增强模型对数据波动的鲁棒性。目前论文提供 PDF 全文及 BibTeX 引用信息，相关代码和数据链接尚未公开。 #机器学习 #需求预测 #零售 #稳定性正则化 #arXiv #论文
一篇题为《Accuracy-Preserving Stability Regularization for Large-Scale Retail Demand Forecasting》的学术论文近日在 arXiv 预印本平台发布。该论文由 Jize Li 等六位作者共同完成，提交于 2026 年 7 月 14 日。研究聚焦大规模零售需求预测中模型稳定性与预测精度的平衡问题，提出了一种保精度稳定性正则化方法，旨在在不牺牲预测准确性的前提下增强模型对数据波动的鲁棒性。目前论文提供 PDF 全文及 BibTeX 引用信息，相关代码和数据链接尚未公开。 #机器学习 #需求预测 #零售 #稳定性正则化 #arXiv #论文
面向离散选择估计的表格基础模型
近日，一篇题为《Tabular Foundation Models for Discrete Choice Estimation》的预印本论文出现在arXiv上。该研究由Liu Liu和Dan Zhang共同完成，旨在探索利用表格基础模型解决离散选择估计问题。离散选择模型广泛应用于经济学、交通科学等领域，传统方法依赖手工特征工程和参数假设。论文提出了一种基于大规模表格数据预训练的基础模型框架，能够自动从结构化数据中学习选择模式，提升估计的准确性和泛化能力。这一方法有望为市场调研、交通需求预测等应用提供更高效的解决方案。目前论文已提交，等待正式出版。 #表格基础模型 #离散选择 #经济学 #机器学习 #arXiv #预训练模型 #科技新闻
近日，一篇题为《Tabular Foundation Models for Discrete Choice Estimation》的预印本论文出现在arXiv上。该研究由Liu Liu和Dan Zhang共同完成，旨在探索利用表格基础模型解决离散选择估计问题。离散选择模型广泛应用于经济学、交通科学等领域，传统方法依赖手工特征工程和参数假设。论文提出了一种基于大规模表格数据预训练的基础模型框架，能够自动从结构化数据中学习选择模式，提升估计的准确性和泛化能力。这一方法有望为市场调研、交通需求预测等应用提供更高效的解决方案。目前论文已提交，等待正式出版。 #表格基础模型 #离散选择 #经济学 #机器学习 #arXiv #预训练模型 #科技新闻
解构Actor-Critic
一项大规模实证研究系统性地分析了Actor-Critic强化学习算法中的关键设计组件。研究团队通过大量实验，评估了不同架构选择、更新策略、探索机制等对算法性能的影响，并针对实际应用场景给出了具体的组件选择建议。该工作旨在为强化学习从业者提供可操作的指导，帮助他们更高效地设计和部署Actor-Critic算法。研究成果已提交至arXiv预印本平台，论文标题为《Deconstructing Actor-Critic: A Large-scale Empirical Study of Design Components for Practitioners》，作者包括Haseeb Shah等。这一研究填补了Actor-Critic算法组件对比的空白，对推动强化学习在机器人控制、游戏AI等领域的工程化落地具有重要参考价值。 #强化学习 #ActorCritic #大规模实证 #机器学习 #AI研究 #算法设计 #论文
一项大规模实证研究系统性地分析了Actor-Critic强化学习算法中的关键设计组件。研究团队通过大量实验，评估了不同架构选择、更新策略、探索机制等对算法性能的影响，并针对实际应用场景给出了具体的组件选择建议。该工作旨在为强化学习从业者提供可操作的指导，帮助他们更高效地设计和部署Actor-Critic算法。研究成果已提交至arXiv预印本平台，论文标题为《Deconstructing Actor-Critic: A Large-scale Empirical Study of Design Components for Practitioners》，作者包括Haseeb Shah等。这一研究填补了Actor-Critic算法组件对比的空白，对推动强化学习在机器人控制、游戏AI等领域的工程化落地具有重要参考价值。 #强化学习 #ActorCritic #大规模实证 #机器学习 #AI研究 #算法设计 #论文