缺失治疗数据下的患者选择方法研究

近日，一篇题为《Learning Who to Treat When Treatment is Missing》的学术论文在arXiv预印本平台提交。该论文由Johnna Sundberg等四位作者合作完成，聚焦于临床应用中普遍存在的治疗数据缺失问题。在真实医疗场景中，由于记录不完整或患者失访等原因，医生往往难以准确判断哪些患者应当接受特定治疗。论文提出了一种机器学习方法，能在治疗信息缺失的条件下，有效识别出最可能从治疗中获益的患者群体。这一方法有助于提升临床决策的精确性，减少医疗资源浪费，并为个性化治疗方案的制定提供技术支撑。目前论文提供PDF和HTML全文，供学界自由查阅。 #AI #机器学习 #医疗 #数据缺失 #个性化医疗 #临床决策 #arXiv

价值泄漏

一项来自arXiv的最新研究发现，大型语言模型（LLM）的答案不仅受训练数据影响，还会被其内嵌的价值观无声地塑造，即“价值泄漏”现象。由Jan Betley等七位学者撰写的论文指出，即使面对中立问题，模型的输出也会不知不觉地偏向其自身隐含的价值倾向，从而可能影响用户认知和决策。该研究于2026年7月提交，对AI安全与伦理提出重要警示。 #价值泄漏 #大模型 #AI伦理 #arXiv #LLM #人工智能安全 #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

COAT 方法

研究人员提出了一种名为“反事实最优行动树”（COAT）的新型可解释规范策略学习方法。该方法通过从观察数据中构建决策树，为不同情境下的个体推荐最优行动，同时保持模型的可解释性。与传统黑箱模型不同，COAT 生成的策略树不仅易于理解，还能直接指导实际决策，在医疗、政策制定等领域具有重要应用价值。该研究已在 arXiv 上发布，并提供了完整论文和代码链接。 #反事实 #决策树 #可解释AI #规范策略 #机器学习 #arXiv

研究提出统一多维可解释性度量，评估AI模型可信度

近日，一篇题为“Towards a Unified Multidimensional Explainability Metric: Evaluating Trustworthiness in AI Models”的论文在预印本平台arXiv上发布。该研究由Georgios Makridis等七位作者共同完成，提出了一种旨在统一评估AI模型可解释性与可信度的多维度量方法。随着人工智能系统在医疗、金融等关键领域的广泛应用，模型可解释性成为确保其安全可靠的重要基础。现有评估指标往往仅关注单一维度，难以全面反映模型行为的可信程度。该论文尝试构建一个综合框架，整合多个解释性维度，为开发者与监管者提供更系统的评估工具。相关工作尚处于理论探索阶段，但有望推动AI透明度和责任性标准的建立。 #AI #可解释性 #可信度 #度量 #论文 #arXiv #人工智能 #模型评估

NeuroGRIP：检索增强图细化方法用于知识驱动的脑电图癫痫诊断

来自arXiv预印本的一篇论文提出了一种名为NeuroGRIP的新框架，旨在提升脑电图癫痫诊断的准确性与可解释性。该方法将检索增强生成与图细化技术相结合，利用知识图谱引导的诊断知识来优化脑电图信号分析。研究团队由Lincan Li等人组成，论文详细介绍了框架的设计及其在癫痫诊断任务中的表现。该工作为神经疾病智能诊断提供了新的思路，有望在临床辅助决策中发挥重要作用。 #神经科学 #癫痫诊断 #脑电图 #检索增强生成 #图神经网络 #AI医疗 #学术论文

李雅普诺夫引导

近日，来自研究团队的论文《Lyapunov Guidance: A Unified Framework for Stabilizing Generative Flows》在arXiv预印本平台发布。该研究由Jingdong Zhang等六位作者完成，提出了一种基于李雅普诺夫理论的统一框架，旨在解决生成流模型在训练和推理过程中的稳定性问题。生成流模型（如扩散模型）在图像、音频生成等领域取得显著成功，但存在轨迹不稳定、采样效率低等挑战。该框架通过引入李雅普诺夫函数作为引导信号，可对生成流的动态路径进行约束与修正，从而提升整体鲁棒性与可控性。实验表明，该方法在多种生成任务上均能有效减少采样步数并改善生成质量，为后续高效、可靠的生成模型设计提供了新思路。 #李雅普诺夫 #生成流 #arXiv #AI #机器学习 #深度学习 #生成模型

局部加性特征归因

来自arXiv的新论文《Local Additive Feature Attribution: A Mathematical Taxonomy and Reporting Checklist》由Rebecca Afriyie Sarpong等作者提交。该研究提出了一套针对局部加性特征归因方法的数学分类体系，并配套设计了标准化的报告清单，旨在提高机器学习可解释性研究的严谨性和可复现性。论文已被收录至arXiv数据库，并提供PDF、HTML及TeX源码等多种访问方式，同时附带了相关调查评分、审核语料等辅助文件。 #论文 #机器学习 #可解释性 #特征归因 #arXiv #AI

MIDiff: 多变量成像扩散模型解决移动使用生成中的稀疏性与不平衡问题

一项来自 arXiv 的新研究提出了 MIDiff 方法，通过多变量成像扩散技术解决移动用户行为数据生成中的稀疏性和类别不平衡问题。移动设备使用模式数据通常具有高维稀疏和长尾分布的特点，传统生成模型难以有效学习。MIDiff 将多变量时间序列转化为图像表示，利用扩散模型捕捉细粒度特征，从而生成更真实、平衡的移动使用数据。实验表明，该方法在多个基准上优于现有模型，有望改善移动应用推荐、资源调度等下游任务。 #论文 #AI #移动数据 #扩散模型 #机器学习

LIGO-PINN: 通过门控优化学习初始化缓解物理信息神经网络收敛失败

物理信息神经网络（PINN）在求解偏微分方程时常因收敛失败而受限。最新研究提出LIGO-PINN方法，通过学习一个全局初始化状态，并结合门控优化机制动态调整训练过程，显著降低了收敛失败的频率。实验在多种经典PDE基准上进行，结果显示该方法在精度和训练稳定性上均优于传统随机初始化及现有预训练策略。该工作为提升PINN在科学计算中的实用性和可靠性提供了新路径。 #PINN #物理信息神经网络 #收敛失败 #门控优化 #学习初始化 #科学计算 #深度学习 #PDE #机器学习 #LIGO

放射学报告联邦学习中的隐私泄露

一项最新研究评估了联邦学习框架下放射学报告中的隐私泄露风险，重点比较了不同分词器对隐私保护的影响。联邦学习虽旨在保护数据隐私，但研究发现，模型参数和梯度中可能隐含敏感信息，而分词器的选择会显著影响隐私泄露程度。研究团队对多种分词器进行了对比实验，揭示了特定分词方法在重构原始文本时的风险差异。该工作为医疗AI领域的隐私保护实践提供了重要参考，提示在部署联邦学习系统时需更谨慎地选择分词策略，并采取额外防御措施以防范隐私攻击。 #联邦学习 #隐私泄露 #放射学报告 #分词器 #医疗AI #隐私保护 #机器学习安全 #数据安全

Augmentations for Robust and Efficient Imitation Learning in Streamed Video Games

来自 arXiv 的一篇预印本论文提出了一种面向流式视频游戏的增强技术，旨在提升模仿学习的鲁棒性与效率。该研究由 Somjit Nath 等六位作者完成，于2026年7月15日提交。论文探讨了在视频游戏流式传输环境中，如何通过数据增强方法使模仿学习模型在延迟、丢帧等不稳定条件下仍能准确学习并执行复杂动作。作者通过实验验证了该增强策略在多个游戏场景中的有效性，显著降低了样本复杂度并提高了泛化能力。该工作有望推动游戏AI在实时流式场景中的实际应用，也为其他动态环境下的行为克隆提供了新思路。 #模仿学习 #视频游戏 #流式传输 #数据增强 #人工智能 #机器学习 #arXiv

新研究提出模型无关的长期用户参与优化方法

一篇名为《通过模型无关的下游奖励学习优化长期用户参与度》的学术论文于2026年7月15日提交至arXiv平台。该研究由Dingsu Wang等14位作者共同完成，提出了一种不依赖特定模型架构的下游奖励学习框架。该方法通过直接学习用户后续行为信号（如点击、停留时长等）来优化推荐系统等场景中的长期用户参与度，避免了传统基于短期指标训练的局限，具有更强的通用性和可迁移性。研究有望提升社交媒体、电商平台中用户粘性建模的效率与效果，为工业级推荐系统的长期优化提供了新思路。 #长期用户参与 #推荐系统 #模型无关 #下游奖励学习 #arXiv #AI #用户建模 #学术论文

TEDDY 儿科基础模型发布，利用 ICD 编码诊断历史实现风险预警

近日，研究团队在 arXiv 上提交了一篇题为《TEDDY: A Pediatric Foundation Model for Risk Forewarning from ICD-Coded Diagnostic Histories》的论文。该模型专为儿科设计，通过分析患者基于 ICD 编码的诊断历史数据，实现对疾病风险的早期预警。TEDDY 作为儿科领域的基础模型，有望在儿童健康管理、疾病预测和临床决策支持中发挥重要作用。论文由 Matthew Brady Neeley 等八位作者共同完成，目前已在预印本平台公开，并提供 PDF 和 HTML 版本供研究社区参考。 #儿科 #基础模型 #ICD编码 #风险预警 #AI医疗 #医学AI #TEDDY #深度学习

闭环知识动力学

该论文由Xuening Wu等作者于2026年7月15日提交至arXiv预印本平台，标题为《闭环知识动力学：饱和与逃逸的操作框架》。研究提出了一套新的操作框架，旨在系统性地分析和应对知识系统中的饱和状态以及逃逸现象。尽管论文摘要未在页面上完整呈现，但从标题推断，该框架可能聚焦于知识循环过程中如何识别瓶颈、突破阈值并实现动态演进，为知识管理与复杂系统建模提供理论工具。论文目前可通过arXiv获取PDF及HTML版本。 #arXiv #闭环知识动力学 #饱和与逃逸 #研究框架 #知识系统 #预印本

RENEW：从偏好中学习世界模型并修复模型利用问题

一篇来自arXiv的预印本论文提出了名为RENEW的新方法，旨在从人类偏好中学习世界模型，并修复模型被利用的问题。该研究由Logan Mondal Bhamidipaty等人完成，初步探讨了如何通过偏好数据来构建更鲁棒的模型，以降低被恶意利用的风险。论文目前处于提交状态，尚未正式发表，但已提供PDF全文供学术社区审阅。 #机器学习 #世界模型 #偏好学习 #AI安全 #预印本 #arXiv

基于边特征的图同构网络实现NR

来自Federica Mangiatordi等研究者的最新论文提出了一种利用图同构网络结合边特征的方法，用于解决NR-V2X车载通信中的低延迟中继选择问题。随着5G及未来车联网对超低延迟和高可靠性通信的需求日益迫切，如何高效选择中继节点成为关键挑战。该方法通过将车辆通信拓扑建模为图结构，并引入边特征（如信道质量、距离、移动性等）来增强图同构网络（GIN）的表示能力，从而在动态车载网络中快速识别最优中继。实验结果表明，该方案在延迟、吞吐量和可靠性方面均优于传统方法，为V2X通信的实时决策提供了新思路。该研究已提交至arXiv预印本平台，初步评审正在进行中。 #车联网 #NRV2X #中继选择 #图神经网络 #低延迟 #通信 #AI

10-K报告情感分析

一项最新学术研究探讨了美国上市公司年度报告（10-K）中，全文情感与风险因素部分情感的不同信息价值。研究发现，这两种情感信号的价值高度依赖于数据聚合方式。在较粗的年度层面，全文情感对预测公司未来收益和股票收益更具解释力；而在更细的季度或月度层面，风险因素部分的情感则能提供更及时的增量信息。该研究揭示了传统分析中简单汇总报告情感可能掩盖关键信息的缺陷，为投资者和监管者如何更精细地利用文本数据提供了新视角。论文作者为Sanggyu Sean Choi，已提交至arXiv预印本平台。 #10-K #情感分析 #财务报告 #文本挖掘 #投资研究 #信息聚合 #学术论文

分支策略优化

近期，一篇题为“分支策略优化：沙箱原生语言智能体强化学习”的论文在arXiv上提交预印本。该研究由Bowei He等四位作者完成，于2026年7月15日发布。论文提出了一种名为“分支策略优化”（Branching Policy Optimization）的全新强化学习框架，专门针对沙箱（sandbox）环境下的语言智能体训练设计。该方法通过引入分支策略，让智能体在模拟环境中更高效地探索决策路径，从而提升其在复杂交互任务中的学习能力和泛化性能。与传统强化学习方法相比，分支策略优化能够更好地处理语言模型在环境反馈稀疏时的学习瓶颈，有望推动语言智能体在机器人控制、对话系统、自主编程等领域的应用。该论文目前仅提供PDF预览和HTML版本，尚未正式注册DOI，但已引起相关研究者的关注。 #人工智能 #强化学习 #语言智能体 #分支策略优化 #arXiv论文 #机器学习

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

QFireNet：量子增强U

arXiv上发布了一项最新研究，提出了一种名为QFireNet的量子增强U-Net架构，用于从哨兵2号（Sentinel-2）卫星影像中精确分割野火区域。该工作由Jaiman Munshi等16位研究者共同完成，论文于2026年7月14日提交。研究将量子计算技术与经典深度学习模型U-Net相结合，旨在提升遥感图像中野火识别和分割的准确率与效率。QFireNet有望在森林火灾监测、应急响应和生态评估等领域发挥重要作用，为大规模 wildfire 的自动预警提供更强大的技术手段。 #量子计算 #野火 #遥感 #图像分割 #深度学习 #U-Net #哨兵2号 #AI #arXiv