DocOCR-Eval：一种无真实标注的基于校正的OCR工具选择框架
近日，一项名为DocOCR-Eval的研究在arXiv上发布，提出了一种无需真实标注即可评估和选择OCR（光学字符识别）工具的新框架。当前OCR工具繁多，但缺乏统一的评估标准，尤其是在没有标准答案（即ground truth）的情况下，用户难以判断哪种工具更适合特定文档。该框架基于“校正”思想，通过对不同OCR工具的识别结果进行交叉比较和自动校正，从而量化各工具的输出质量。实验表明，DocOCR-Eval能够有效识别高性能OCR工具，并显著降低人工标注成本。这一方法为文档数字化、自动化数据提取等场景提供了实用解决方案，尤其适用于工业界的大规模文档处理任务。 #OCR #文档处理 #机器学习 #论文 #arXiv #人工智能 #自动化
近日，一项名为DocOCR-Eval的研究在arXiv上发布，提出了一种无需真实标注即可评估和选择OCR（光学字符识别）工具的新框架。当前OCR工具繁多，但缺乏统一的评估标准，尤其是在没有标准答案（即ground truth）的情况下，用户难以判断哪种工具更适合特定文档。该框架基于“校正”思想，通过对不同OCR工具的识别结果进行交叉比较和自动校正，从而量化各工具的输出质量。实验表明，DocOCR-Eval能够有效识别高性能OCR工具，并显著降低人工标注成本。这一方法为文档数字化、自动化数据提取等场景提供了实用解决方案，尤其适用于工业界的大规模文档处理任务。 #OCR #文档处理 #机器学习 #论文 #arXiv #人工智能 #自动化
LLM遗忘学习在网络安全防御中的应用
一篇发表于arXiv的综述论文系统探讨了大型语言模型（LLM）的“遗忘学习”技术在网络安全防御领域的研究现状。该论文由Saptarshi Sengupta等五位学者共同撰写，主要梳理了当前用于移除模型中特定知识（如敏感数据、恶意指令）的方法，分析了其面临的技术挑战，如遗忘效果与模型性能之间的平衡、遗忘的鲁棒性验证等，并指出了新兴威胁，例如对抗性遗忘攻击和遗忘技术的滥用风险。研究认为，随着LLM在安全场景中的广泛应用，遗忘学习有望成为保护隐私、抵御恶意利用的关键工具，但现有方法仍存在诸多局限，亟需更安全、可解释的解决方案。 #LLM遗忘学习 #网络安全 #人工智能安全 #综述论文 #大模型 #隐私保护 #对抗攻击 #arXiv
一篇发表于arXiv的综述论文系统探讨了大型语言模型（LLM）的“遗忘学习”技术在网络安全防御领域的研究现状。该论文由Saptarshi Sengupta等五位学者共同撰写，主要梳理了当前用于移除模型中特定知识（如敏感数据、恶意指令）的方法，分析了其面临的技术挑战，如遗忘效果与模型性能之间的平衡、遗忘的鲁棒性验证等，并指出了新兴威胁，例如对抗性遗忘攻击和遗忘技术的滥用风险。研究认为，随着LLM在安全场景中的广泛应用，遗忘学习有望成为保护隐私、抵御恶意利用的关键工具，但现有方法仍存在诸多局限，亟需更安全、可解释的解决方案。 #LLM遗忘学习 #网络安全 #人工智能安全 #综述论文 #大模型 #隐私保护 #对抗攻击 #arXiv
Operator-Aware Mixed-Precision Tolerance Calibration for Tensor Kernels
该论文由Dipankar Sarkar提交至arXiv，标题为《Operator-Aware Mixed-Precision Tolerance Calibration for Tensor Kernels》，主要研究张量内核计算中的混合精度容差校准问题。论文提出一种面向算子感知的校准方法，通过分析不同算子对精度的敏感度，动态调整混合精度的容差阈值，从而在保持计算准确性的前提下显著提升张量运算的效率。该方法适用于深度学习、科学计算等依赖大规模张量操作的场景，有望降低计算成本并加速模型训练与推理。论文于2026年6月23日首次提交，目前已开放PDF全文浏览。 #arXiv #论文 #混合精度 #张量计算 #机器学习 #高性能计算 #算法
该论文由Dipankar Sarkar提交至arXiv，标题为《Operator-Aware Mixed-Precision Tolerance Calibration for Tensor Kernels》，主要研究张量内核计算中的混合精度容差校准问题。论文提出一种面向算子感知的校准方法，通过分析不同算子对精度的敏感度，动态调整混合精度的容差阈值，从而在保持计算准确性的前提下显著提升张量运算的效率。该方法适用于深度学习、科学计算等依赖大规模张量操作的场景，有望降低计算成本并加速模型训练与推理。论文于2026年6月23日首次提交，目前已开放PDF全文浏览。 #arXiv #论文 #混合精度 #张量计算 #机器学习 #高性能计算 #算法
RouteCost：面向电商预售订单运费估算的生产启发式多阶段框架
由Xianling Zeng等四位作者提交的论文《RouteCost: A Production-Inspired Multi-Stage Framework for Pre-Order Shipping Cost Estimation in E-Commerce》已在arXiv平台发布。该研究针对电商场景中预售订单的运费估算难题，提出一种名为RouteCost的多阶段框架。框架的设计灵感来源于实际生产环境中的物流经验，通过分阶段建模和优化，旨在提升运费预测的准确性与稳健性。论文详细介绍了框架的结构、训练方法以及在实际数据集上的评估结果，为电商物流成本管理提供了新的技术思路。目前论文全文可在arXiv上获取。 #电商 #运费估算 #机器学习 #多阶段框架 #arXiv #物流 #学术论文
由Xianling Zeng等四位作者提交的论文《RouteCost: A Production-Inspired Multi-Stage Framework for Pre-Order Shipping Cost Estimation in E-Commerce》已在arXiv平台发布。该研究针对电商场景中预售订单的运费估算难题，提出一种名为RouteCost的多阶段框架。框架的设计灵感来源于实际生产环境中的物流经验，通过分阶段建模和优化，旨在提升运费预测的准确性与稳健性。论文详细介绍了框架的结构、训练方法以及在实际数据集上的评估结果，为电商物流成本管理提供了新的技术思路。目前论文全文可在arXiv上获取。 #电商 #运费估算 #机器学习 #多阶段框架 #arXiv #物流 #学术论文
正交梯度约束塑造噪声标签记忆动力学
一篇题为《正交梯度约束塑造噪声标签记忆动力学》的研究论文于2026年6月24日提交至预印本平台arXiv。该论文由Richard Mai独立完成，主要探讨在深度学习训练过程中，如何通过正交梯度约束来调控模型对噪声标签的记忆行为。研究发现，引入正交梯度约束能够有效抑制模型过度拟合错误标签，从而缓解记忆噪声样本带来的泛化下降问题。这一机制为理解标签噪声下的模型训练动力学提供了新视角，并可能推动更鲁棒的学习算法设计。论文目前已在计算机科学领域内公开，并可通过arXiv获取全文。 #深度学习 #标签噪声 #梯度约束 #记忆动力学 #机器学习 #算法鲁棒性 #arXiv论文
一篇题为《正交梯度约束塑造噪声标签记忆动力学》的研究论文于2026年6月24日提交至预印本平台arXiv。该论文由Richard Mai独立完成，主要探讨在深度学习训练过程中，如何通过正交梯度约束来调控模型对噪声标签的记忆行为。研究发现，引入正交梯度约束能够有效抑制模型过度拟合错误标签，从而缓解记忆噪声样本带来的泛化下降问题。这一机制为理解标签噪声下的模型训练动力学提供了新视角，并可能推动更鲁棒的学习算法设计。论文目前已在计算机科学领域内公开，并可通过arXiv获取全文。 #深度学习 #标签噪声 #梯度约束 #记忆动力学 #机器学习 #算法鲁棒性 #arXiv论文
从权重到语言
一篇发表于arXiv的预印本论文提出了一种新方法，旨在将机器学习中的偏好模型内部推理过程转化为可理解的自然语言，并允许用户进行编辑。该研究由Zachary Wojtowicz等人完成，于2026年6月提交。传统偏好模型通常以权重参数形式表示，难以直接解释和调整。这项研究通过将模型推断“翻译”为文本，使得非技术用户也能理解模型偏好背后的逻辑，并且能够以自然语言指令直接修改模型行为。这一成果有望提升人工智能系统的可解释性和可控性，尤其在推荐系统、对话助手等依赖用户偏好的应用场景中具有重要价值。论文目前以PDF和HTML形式开放获取。 #AI #可解释性 #偏好模型 #自然语言处理 #arXiv #论文 #机器学习 #人工智能
一篇发表于arXiv的预印本论文提出了一种新方法，旨在将机器学习中的偏好模型内部推理过程转化为可理解的自然语言，并允许用户进行编辑。该研究由Zachary Wojtowicz等人完成，于2026年6月提交。传统偏好模型通常以权重参数形式表示，难以直接解释和调整。这项研究通过将模型推断“翻译”为文本，使得非技术用户也能理解模型偏好背后的逻辑，并且能够以自然语言指令直接修改模型行为。这一成果有望提升人工智能系统的可解释性和可控性，尤其在推荐系统、对话助手等依赖用户偏好的应用场景中具有重要价值。论文目前以PDF和HTML形式开放获取。 #AI #可解释性 #偏好模型 #自然语言处理 #arXiv #论文 #机器学习 #人工智能
Token级跨模态Transformer模型应用于乳腺癌分类与生存预测
近日，一项发表在arXiv上的研究提出了Token-Level Cross-Modal Transformer模型，结合对比多任务学习框架，用于乳腺癌亚型分类与生存预测。该模型通过将不同模态的医学数据（如病理图像、基因组数据等）在Token级别进行跨模态融合，并利用对比学习增强特征表示能力，从而提升分类精度和预测可靠性。研究表明，该方法在多个公开数据集上取得了优于传统模型的性能，为乳腺癌的个性化诊疗提供了新的技术路径。该工作由Suxing Liu等人完成，目前论文已上线供学术社区探讨。 #乳腺癌 #AI医疗 #Transformer #多任务学习 #跨模态 #医学影像 #生存预测 #深度学习 #精准医疗
近日，一项发表在arXiv上的研究提出了Token-Level Cross-Modal Transformer模型，结合对比多任务学习框架，用于乳腺癌亚型分类与生存预测。该模型通过将不同模态的医学数据（如病理图像、基因组数据等）在Token级别进行跨模态融合，并利用对比学习增强特征表示能力，从而提升分类精度和预测可靠性。研究表明，该方法在多个公开数据集上取得了优于传统模型的性能，为乳腺癌的个性化诊疗提供了新的技术路径。该工作由Suxing Liu等人完成，目前论文已上线供学术社区探讨。 #乳腺癌 #AI医疗 #Transformer #多任务学习 #跨模态 #医学影像 #生存预测 #深度学习 #精准医疗
HantaWatch 论文提出联邦学习用于汉坦病毒基因组监测
由 Shanika Iroshi Nanayakkara 和 Shiva Raj Pokhrel 合作撰写的论文《HantaWatch: Federated Learning for Hantavirus Genomic Surveillance》近日在 arXiv 预印本平台发布。该研究首次将联邦学习框架引入汉坦病毒基因组监测领域，旨在通过分布式机器学习方法，在保护各地医疗机构数据隐私的前提下，实现跨区域的病毒变异追踪与疫情预警。传统基因组监测依赖集中式数据处理，面临数据共享瓶颈与隐私合规挑战。HantaWatch 方案允许各参与方在不共享原始数据的情况下协同训练模型，从而提升对病毒进化动态的响应效率。这一方法有望为全球公共卫生监测体系提供更安全、高效的技术支撑。 #联邦学习 #汉坦病毒 #基因组监测 #arXiv #AI医疗 #疫情预警 #数据隐私
由 Shanika Iroshi Nanayakkara 和 Shiva Raj Pokhrel 合作撰写的论文《HantaWatch: Federated Learning for Hantavirus Genomic Surveillance》近日在 arXiv 预印本平台发布。该研究首次将联邦学习框架引入汉坦病毒基因组监测领域，旨在通过分布式机器学习方法，在保护各地医疗机构数据隐私的前提下，实现跨区域的病毒变异追踪与疫情预警。传统基因组监测依赖集中式数据处理，面临数据共享瓶颈与隐私合规挑战。HantaWatch 方案允许各参与方在不共享原始数据的情况下协同训练模型，从而提升对病毒进化动态的响应效率。这一方法有望为全球公共卫生监测体系提供更安全、高效的技术支撑。 #联邦学习 #汉坦病毒 #基因组监测 #arXiv #AI医疗 #疫情预警 #数据隐私
OpenMHC
一篇题为《OpenMHC: Accelerating the Science of Wearable Foundation Models》的论文于2026年6月25日提交至arXiv平台。该论文由Narayan Schuetz等18位作者共同撰写，旨在通过开源框架OpenMHC推动可穿戴设备基础模型领域的科学研究。可穿戴基础模型是人工智能与健康监测交叉的前沿方向，OpenMHC的提出有望为相关研究人员提供标准化工具与基准，加速模型在生理信号分析、行为识别等场景中的应用探索。论文目前以PDF形式开放获取，并附有代码、数据链接及引用工具，为学界共享成果提供了便利。 #论文 #可穿戴 #基础模型 #AI #开源 #arXiv #科研 #健康监测
一篇题为《OpenMHC: Accelerating the Science of Wearable Foundation Models》的论文于2026年6月25日提交至arXiv平台。该论文由Narayan Schuetz等18位作者共同撰写，旨在通过开源框架OpenMHC推动可穿戴设备基础模型领域的科学研究。可穿戴基础模型是人工智能与健康监测交叉的前沿方向，OpenMHC的提出有望为相关研究人员提供标准化工具与基准，加速模型在生理信号分析、行为识别等场景中的应用探索。论文目前以PDF形式开放获取，并附有代码、数据链接及引用工具，为学界共享成果提供了便利。 #论文 #可穿戴 #基础模型 #AI #开源 #arXiv #科研 #健康监测
递归推理模型量化研究论文发布
一篇题为《量化递归推理模型》的学术论文近日在arXiv预印本平台公开。该研究由Thorir Mar Ingolfsson等六位学者共同完成，主要探讨如何对递归推理模型进行量化处理。递归推理模型在复杂推理任务中具有重要价值，但计算开销较大。论文可能提出了一种通过模型量化技术降低参数精度、压缩模型体积并加速推理的方法，同时力求保持原有性能。该工作有望推动递归推理模型在边缘设备等资源受限场景下的实际部署。论文全文已提供PDF和HTML版本，并附有BibTeX引用信息，供学术界参考。 #AI #机器学习 #模型量化 #递归推理 #学术论文 #arXiv #深度学习 #模型压缩 #边缘计算
一篇题为《量化递归推理模型》的学术论文近日在arXiv预印本平台公开。该研究由Thorir Mar Ingolfsson等六位学者共同完成，主要探讨如何对递归推理模型进行量化处理。递归推理模型在复杂推理任务中具有重要价值，但计算开销较大。论文可能提出了一种通过模型量化技术降低参数精度、压缩模型体积并加速推理的方法，同时力求保持原有性能。该工作有望推动递归推理模型在边缘设备等资源受限场景下的实际部署。论文全文已提供PDF和HTML版本，并附有BibTeX引用信息，供学术界参考。 #AI #机器学习 #模型量化 #递归推理 #学术论文 #arXiv #深度学习 #模型压缩 #边缘计算