FALCON-Discover
近日，一篇题为“FALCON-Discover: Discovering Concentrated False-Confidence Regions for Calibration”的论文在arXiv上预印发布。该研究由Filippo Cenacchi等人完成，提出了一种名为FALCON-Discover的新方法，旨在识别机器学习模型校准过程中出现的集中错误置信区域。校准是确保模型预测概率反映真实结果概率的关键步骤，而错误置信区域可能导致模型过于自信或缺乏信心，影响决策可靠性。该方法有望提升模型不确定性量化的精度，对AI系统在高风险场景下的安全应用具有潜在价值。 #机器学习 #模型校准 #不确定性量化 #安全AI #arXiv #论文 #算法
近日，一篇题为“FALCON-Discover: Discovering Concentrated False-Confidence Regions for Calibration”的论文在arXiv上预印发布。该研究由Filippo Cenacchi等人完成，提出了一种名为FALCON-Discover的新方法，旨在识别机器学习模型校准过程中出现的集中错误置信区域。校准是确保模型预测概率反映真实结果概率的关键步骤，而错误置信区域可能导致模型过于自信或缺乏信心，影响决策可靠性。该方法有望提升模型不确定性量化的精度，对AI系统在高风险场景下的安全应用具有潜在价值。 #机器学习 #模型校准 #不确定性量化 #安全AI #arXiv #论文 #算法
ALAS：可加可学习的Alpha稳定核函数，推动灵活贝叶斯优化
来自Weibo Huang等研究者的最新论文提出了一种名为ALAS的新型贝叶斯优化方法。传统贝叶斯优化依赖固定的核函数假设，难以适应复杂目标函数。该研究创新性地引入可加可学习的Alpha稳定核函数，通过自适应调整核函数的尾部行为和尺度参数，显著提升了模型在非平稳、多模态优化问题中的表现。实验证明，ALAS在多个基准测试中优于标准高斯过程和传统贝叶斯优化方法，为超参数调优、自动化机器学习等应用提供了更灵活高效的解决方案。该论文已提交至arXiv，并附有完整代码与实验数据。 #贝叶斯优化 #核函数 #机器学习 #AI #论文 #2026 #arXiv #算法
来自Weibo Huang等研究者的最新论文提出了一种名为ALAS的新型贝叶斯优化方法。传统贝叶斯优化依赖固定的核函数假设，难以适应复杂目标函数。该研究创新性地引入可加可学习的Alpha稳定核函数，通过自适应调整核函数的尾部行为和尺度参数，显著提升了模型在非平稳、多模态优化问题中的表现。实验证明，ALAS在多个基准测试中优于标准高斯过程和传统贝叶斯优化方法，为超参数调优、自动化机器学习等应用提供了更灵活高效的解决方案。该论文已提交至arXiv，并附有完整代码与实验数据。 #贝叶斯优化 #核函数 #机器学习 #AI #论文 #2026 #arXiv #算法
面向端到端射频频谱监测的边缘高效Transformer架构
据arXiv预印本论文显示，研究人员提出了一种名为“Edge-Efficient Transformer”的新架构，用于实现端到端的射频频谱监测。该研究由Zhifan Song等三位作者共同完成，论文于2026年6月30日提交。传统射频监测方法通常依赖复杂硬件或高计算资源，而本工作旨在通过轻量级Transformer模型直接在边缘设备上完成频谱分析任务，兼顾效率与准确性。论文详细介绍了模型设计、训练方法及性能评估，有望为无线通信、频谱管理等领域带来更实时、低成本的解决方案。目前该论文已开放PDF全文及HTML版本供学术界参考。 #射频频谱监测 #Transformer #边缘计算 #端到端 #机器学习 #无线通信 #论文
据arXiv预印本论文显示，研究人员提出了一种名为“Edge-Efficient Transformer”的新架构，用于实现端到端的射频频谱监测。该研究由Zhifan Song等三位作者共同完成，论文于2026年6月30日提交。传统射频监测方法通常依赖复杂硬件或高计算资源，而本工作旨在通过轻量级Transformer模型直接在边缘设备上完成频谱分析任务，兼顾效率与准确性。论文详细介绍了模型设计、训练方法及性能评估，有望为无线通信、频谱管理等领域带来更实时、低成本的解决方案。目前该论文已开放PDF全文及HTML版本供学术界参考。 #射频频谱监测 #Transformer #边缘计算 #端到端 #机器学习 #无线通信 #论文
基于偏好条件的多目标强化学习实现运行时可调公交信号优先
arXiv平台近日发布一篇由Philip-Roman Adam等人提交的研究论文，提出一种基于偏好条件的多目标强化学习方法，用于实现运行时可调的公交信号优先控制。传统公交信号优先系统通常固定优化目标，难以在实时交通状况下灵活调整公交与其他车流的优先级。该研究通过引入多目标强化学习框架，让信号控制策略能够在运行时根据当前交通需求与调度偏好动态调整，从而在保障公交准点率的同时减少对整体交通流的影响。论文已在arXiv上公开，并提供了PDF及HTML等多种阅读方式。 #arXiv #强化学习 #公交信号优先 #多目标优化 #智能交通 #交通控制 #论文
arXiv平台近日发布一篇由Philip-Roman Adam等人提交的研究论文，提出一种基于偏好条件的多目标强化学习方法，用于实现运行时可调的公交信号优先控制。传统公交信号优先系统通常固定优化目标，难以在实时交通状况下灵活调整公交与其他车流的优先级。该研究通过引入多目标强化学习框架，让信号控制策略能够在运行时根据当前交通需求与调度偏好动态调整，从而在保障公交准点率的同时减少对整体交通流的影响。论文已在arXiv上公开，并提供了PDF及HTML等多种阅读方式。 #arXiv #强化学习 #公交信号优先 #多目标优化 #智能交通 #交通控制 #论文
BearingNAS：仅用笔记本电脑即可实现轴承传感器内智能故障诊断系统
来自arXiv的一篇论文提出了一种名为BearingNAS的新型方法，旨在通过笔记本电脑直接在传感器内部实现轴承的智能故障诊断。传统诊断系统通常需要将传感器数据上传至外部处理器进行分析，而该方法将轻量级神经网络架构搜索（NAS）技术嵌入传感器端，使得计算过程在传感器本地完成，无需额外的高性能计算设备。论文作者Andrea Mattia Garavagno等人详细阐述了该方法的设计与实现，实验表明，BearingNAS能够在保证诊断精度的同时大幅降低硬件成本和功耗，为工业轴承的实时、边缘化智能监测提供了新思路。该技术有助于推动预测性维护的普及，尤其适合资源受限的工业场景。 #轴承故障诊断 #智能诊断 #边缘计算 #传感器内 #BearingNAS #arXiv #神经网络架构搜索
来自arXiv的一篇论文提出了一种名为BearingNAS的新型方法，旨在通过笔记本电脑直接在传感器内部实现轴承的智能故障诊断。传统诊断系统通常需要将传感器数据上传至外部处理器进行分析，而该方法将轻量级神经网络架构搜索（NAS）技术嵌入传感器端，使得计算过程在传感器本地完成，无需额外的高性能计算设备。论文作者Andrea Mattia Garavagno等人详细阐述了该方法的设计与实现，实验表明，BearingNAS能够在保证诊断精度的同时大幅降低硬件成本和功耗，为工业轴承的实时、边缘化智能监测提供了新思路。该技术有助于推动预测性维护的普及，尤其适合资源受限的工业场景。 #轴承故障诊断 #智能诊断 #边缘计算 #传感器内 #BearingNAS #arXiv #神经网络架构搜索
多时间尺度潜在动作深度强化学习实现边缘云网络联合优化
一篇题为《Multi-Timescale Latent-Action DRL for Joint Optimization in Edge-Cloud Networks》的研究论文在arXiv预印本平台发布。该论文由Vo Phi Son等四位学者共同完成，提出了一种基于多时间尺度潜在动作的深度强化学习（DRL）方法，旨在解决边缘云网络中的联合优化问题。传统优化方法难以同时处理不同时间尺度的决策和资源分配，而该研究通过引入潜在动作空间，将长期与短期优化目标统一建模，显著提升了网络性能。实验表明，该方法在延迟、能耗和任务完成率等关键指标上优于现有方案。这一成果为动态边缘计算系统的智能调度提供了新思路，有望推动5G/6G网络和物联网应用的落地。 #边缘计算 #深度强化学习 #网络优化 #AI #物联网 #论文预印本
一篇题为《Multi-Timescale Latent-Action DRL for Joint Optimization in Edge-Cloud Networks》的研究论文在arXiv预印本平台发布。该论文由Vo Phi Son等四位学者共同完成，提出了一种基于多时间尺度潜在动作的深度强化学习（DRL）方法，旨在解决边缘云网络中的联合优化问题。传统优化方法难以同时处理不同时间尺度的决策和资源分配，而该研究通过引入潜在动作空间，将长期与短期优化目标统一建模，显著提升了网络性能。实验表明，该方法在延迟、能耗和任务完成率等关键指标上优于现有方案。这一成果为动态边缘计算系统的智能调度提供了新思路，有望推动5G/6G网络和物联网应用的落地。 #边缘计算 #深度强化学习 #网络优化 #AI #物联网 #论文预印本
Towards Principled Continual Anomaly Detection: A Systematic Framework and Benchmark Scenarios
来自Kamil Faber等学者的最新研究论文提出了一个基于原则的持续异常检测系统框架和标准化基准场景。该工作针对传统异常检测方法在动态数据流中难以适应概念漂移的问题，构建了统一的理论框架，并设计了多个具有代表性的评测场景。论文旨在推动持续异常检测领域走向更加规范化和可比较的研究路径，为后续算法评估提供了标准化参照。该论文已发表于arXiv预印本平台，相关代码和数据也计划开放。 #持续异常检测 #系统框架 #基准测试 #机器学习 #论文 #arXiv
来自Kamil Faber等学者的最新研究论文提出了一个基于原则的持续异常检测系统框架和标准化基准场景。该工作针对传统异常检测方法在动态数据流中难以适应概念漂移的问题，构建了统一的理论框架，并设计了多个具有代表性的评测场景。论文旨在推动持续异常检测领域走向更加规范化和可比较的研究路径，为后续算法评估提供了标准化参照。该论文已发表于arXiv预印本平台，相关代码和数据也计划开放。 #持续异常检测 #系统框架 #基准测试 #机器学习 #论文 #arXiv
SechKAN：基于双曲正割函数的Kolmogorov
arXiv上近日预印了一篇题为“SechKAN: Kolmogorov-Arnold Networks with Hyperbolic Secant Functions”的论文，作者为Hoang-Thang Ta。该研究提出了一种新型神经网络架构SechKAN，它在Kolmogorov-Arnold网络（KAN）的基础上，引入双曲正割函数作为激活函数。KAN是一种可学习激活函数的神经网络，而SechKAN通过替换原有的激活函数，有望提升模型在函数逼近和表示学习上的性能。论文目前以PDF和HTML格式在arXiv上发布，供学术社区审阅和引用。 #论文 #AI #神经网络 #机器学习 #KAN #激活函数 #arXiv
arXiv上近日预印了一篇题为“SechKAN: Kolmogorov-Arnold Networks with Hyperbolic Secant Functions”的论文，作者为Hoang-Thang Ta。该研究提出了一种新型神经网络架构SechKAN，它在Kolmogorov-Arnold网络（KAN）的基础上，引入双曲正割函数作为激活函数。KAN是一种可学习激活函数的神经网络，而SechKAN通过替换原有的激活函数，有望提升模型在函数逼近和表示学习上的性能。论文目前以PDF和HTML格式在arXiv上发布，供学术社区审阅和引用。 #论文 #AI #神经网络 #机器学习 #KAN #激活函数 #arXiv
双域融合LSTM模型实现高效时变可靠性分析
一篇题为“Dual-domain fused LSTM modeling for efficient time-dependent reliability analysis”的研究论文近日在arXiv上发布。该研究提出了一种新型双域融合长短期记忆网络（LSTM）模型，旨在高效解决工程结构中的时变可靠性分析问题。传统方法在处理随时间变化的随机载荷与材料退化时计算量巨大，而该模型通过融合时域和频域特征，显著提升了预测效率与准确性。实验结果显示，该方法在多个基准问题上均优于现有模型，为复杂系统的长期可靠性评估提供了新思路。该工作由Yixin Zhang等人完成，代码与数据已公开。 #论文 #LSTM #可靠性分析 #时间依赖 #工程 #AI #机器学习 #科学研究
一篇题为“Dual-domain fused LSTM modeling for efficient time-dependent reliability analysis”的研究论文近日在arXiv上发布。该研究提出了一种新型双域融合长短期记忆网络（LSTM）模型，旨在高效解决工程结构中的时变可靠性分析问题。传统方法在处理随时间变化的随机载荷与材料退化时计算量巨大，而该模型通过融合时域和频域特征，显著提升了预测效率与准确性。实验结果显示，该方法在多个基准问题上均优于现有模型，为复杂系统的长期可靠性评估提供了新思路。该工作由Yixin Zhang等人完成，代码与数据已公开。 #论文 #LSTM #可靠性分析 #时间依赖 #工程 #AI #机器学习 #科学研究