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
信息阴影
一篇发表于arXiv的论文《The Information Shadow: Measuring Structural Limits on What Language Models Can Learn》提出“信息阴影”概念，旨在量化语言模型在学习过程中面临的结构性边界。研究指出，仅依赖大规模数据训练的语言模型，其知识获取存在固有局限——数据中的隐含偏差、缺失信息和因果结构缺失会导致模型无法触及某些知识领域。作者通过理论分析和实验验证，证明了信息阴影的存在及其对模型推理、泛化能力的影响。该研究为理解大模型能力边界、改进训练策略提供了新视角。 #信息阴影 #语言模型 #大模型 #机器学习 #AI研究 #数据偏差 #arXiv论文
一篇发表于arXiv的论文《The Information Shadow: Measuring Structural Limits on What Language Models Can Learn》提出“信息阴影”概念，旨在量化语言模型在学习过程中面临的结构性边界。研究指出，仅依赖大规模数据训练的语言模型，其知识获取存在固有局限——数据中的隐含偏差、缺失信息和因果结构缺失会导致模型无法触及某些知识领域。作者通过理论分析和实验验证，证明了信息阴影的存在及其对模型推理、泛化能力的影响。该研究为理解大模型能力边界、改进训练策略提供了新视角。 #信息阴影 #语言模型 #大模型 #机器学习 #AI研究 #数据偏差 #arXiv论文
灰盒仿真模型的主体校准
arXiv 上近日发表了一篇题为《Agentic Calibration of Grey-Box Simulation Models: An LLM-Driven Alternative》的论文，由David Gómez-Guillén等人撰写。该研究提出了一种利用大型语言模型驱动的新型校准方法，用于灰盒仿真模型的参数优化。传统校准过程依赖手动调整或复杂数值算法，而该方法通过代理智能体自动分析模型行为与真实数据之间的差异，并生成校准策略，从而显著提升效率与准确性。论文指出，LLM的推理能力使其能够理解模型结构特征，并自适应地探索参数空间。这项技术有望在气候模拟、工程系统优化等领域替代传统校准流程，降低对专家经验的依赖，加速仿真模型的应用部署。 #arXiv #LLM #仿真模型 #校准 #AI #灰盒模型 #机器学习 #论文
arXiv 上近日发表了一篇题为《Agentic Calibration of Grey-Box Simulation Models: An LLM-Driven Alternative》的论文，由David Gómez-Guillén等人撰写。该研究提出了一种利用大型语言模型驱动的新型校准方法，用于灰盒仿真模型的参数优化。传统校准过程依赖手动调整或复杂数值算法，而该方法通过代理智能体自动分析模型行为与真实数据之间的差异，并生成校准策略，从而显著提升效率与准确性。论文指出，LLM的推理能力使其能够理解模型结构特征，并自适应地探索参数空间。这项技术有望在气候模拟、工程系统优化等领域替代传统校准流程，降低对专家经验的依赖，加速仿真模型的应用部署。 #arXiv #LLM #仿真模型 #校准 #AI #灰盒模型 #机器学习 #论文
增强图神经ODE融合外生控制，实现非定常翼型气动学高效时空预测
来自arXiv的一篇最新研究论文提出了一种新颖的时空预测方法，利用增强图神经常微分方程（Graph Neural ODEs）并引入外生控制变量，对非定常翼型气动特性进行精确建模。传统计算流体力学方法在预测翼型动态响应时往往计算成本高昂，而该研究通过将图神经网络与神经ODE框架相结合，能够捕捉翼型表面压力分布随时间的演化规律，同时将来流条件、攻角变化等外生控制信号作为模型输入，显著提升了预测的泛化能力和物理一致性。该方法在保持高精度的前提下，大幅降低了计算开销，为飞行器设计、主动流动控制等工程应用提供了新的智能化工具。论文由Henrik Lange等人完成，相关代码与数据已公开，供研究社区复现与扩展。 #论文 #气动力学 #翼型 #图神经网络 #神经ODE #时空预测 #机器学习 #物理建模 #CFD #AI
来自arXiv的一篇最新研究论文提出了一种新颖的时空预测方法，利用增强图神经常微分方程（Graph Neural ODEs）并引入外生控制变量，对非定常翼型气动特性进行精确建模。传统计算流体力学方法在预测翼型动态响应时往往计算成本高昂，而该研究通过将图神经网络与神经ODE框架相结合，能够捕捉翼型表面压力分布随时间的演化规律，同时将来流条件、攻角变化等外生控制信号作为模型输入，显著提升了预测的泛化能力和物理一致性。该方法在保持高精度的前提下，大幅降低了计算开销，为飞行器设计、主动流动控制等工程应用提供了新的智能化工具。论文由Henrik Lange等人完成，相关代码与数据已公开，供研究社区复现与扩展。 #论文 #气动力学 #翼型 #图神经网络 #神经ODE #时空预测 #机器学习 #物理建模 #CFD #AI
Interactive Training 2 论文提出可审计控制平面，支持实时模型训练审计
arXiv 上发表的论文《Interactive Training 2: Auditable Control Plane for Live Model Training》由作者 Wentao Zhang 等人提出。该研究聚焦于机器学习模型训练过程中的交互与审计需求，设计了一个可审计的控制平面架构，允许研究人员在实时训练过程中对模型行为进行监控与追溯。论文通过引入新的审计机制，提升了模型训练的可解释性与安全性，为在线训练场景下的故障定位和合规验证提供了可行方案。该工作于2026年7月17日提交至 arXiv，隶属于计算机科学领域，目前已被收录并提供全文访问。 #机器学习 #模型训练 #审计 #控制平面 #arXiv #AI安全 #科研论文
arXiv 上发表的论文《Interactive Training 2: Auditable Control Plane for Live Model Training》由作者 Wentao Zhang 等人提出。该研究聚焦于机器学习模型训练过程中的交互与审计需求，设计了一个可审计的控制平面架构，允许研究人员在实时训练过程中对模型行为进行监控与追溯。论文通过引入新的审计机制，提升了模型训练的可解释性与安全性，为在线训练场景下的故障定位和合规验证提供了可行方案。该工作于2026年7月17日提交至 arXiv，隶属于计算机科学领域，目前已被收录并提供全文访问。 #机器学习 #模型训练 #审计 #控制平面 #arXiv #AI安全 #科研论文
反应式计算图的成本核算
一篇来自arXiv的学术论文探讨了反应式计算图（Reactive Computational Graphs）中的成本核算问题。论文标题为《Cost Accounting for Reactive Computational Graphs: Exhaustive Sweeps, Sequential Mutation, and the Backward-Locality Gap》，作者为Abdallah Khemais等人。该研究主要针对反应式计算图在执行过程中产生的计算成本进行精确计量，提出了包括穷举扫描、顺序变异等在内的多种核算方法，并重点分析了反向局部性差距（Backward-Locality Gap）对成本模型的影响。论文通过理论推导与实验验证，旨在为动态计算图的高效调度与资源分配提供更准确的成本模型。该工作于2026年7月提交至arXiv，目前处于待注册状态。 #论文 #arXiv #计算图 #成本核算 #反应式系统 #计算机科学 #学术研究
一篇来自arXiv的学术论文探讨了反应式计算图（Reactive Computational Graphs）中的成本核算问题。论文标题为《Cost Accounting for Reactive Computational Graphs: Exhaustive Sweeps, Sequential Mutation, and the Backward-Locality Gap》，作者为Abdallah Khemais等人。该研究主要针对反应式计算图在执行过程中产生的计算成本进行精确计量，提出了包括穷举扫描、顺序变异等在内的多种核算方法，并重点分析了反向局部性差距（Backward-Locality Gap）对成本模型的影响。论文通过理论推导与实验验证，旨在为动态计算图的高效调度与资源分配提供更准确的成本模型。该工作于2026年7月提交至arXiv，目前处于待注册状态。 #论文 #arXiv #计算图 #成本核算 #反应式系统 #计算机科学 #学术研究
基于动态损失平衡与旋转SOH注入先验Transformer的锂离子电池SOH与RUL联合预测
一项最新研究提出了一种基于动态损失平衡与旋转SOH注入先验Transformer的模型，用于锂离子电池健康状态（SOH）与剩余使用寿命（RUL）的联合预测。该模型通过引入旋转SOH注入机制，增强了Transformer对电池退化特征的提取能力，并采用动态损失平衡策略，有效解决了多任务学习中不同损失函数权重难以协调的问题。实验结果表明，该方法在多个公开数据集上相比现有基准模型显著提升了SOH和RUL的预测精度与稳定性。该研究为电池管理系统的智能化升级提供了新的技术路径，有望在电动汽车、储能系统等领域实现更精准的电池寿命预测与运维决策。 #锂离子电池 #SOH #RUL #Transformer #动态损失平衡 #电池管理 #AI #科技前沿
一项最新研究提出了一种基于动态损失平衡与旋转SOH注入先验Transformer的模型，用于锂离子电池健康状态（SOH）与剩余使用寿命（RUL）的联合预测。该模型通过引入旋转SOH注入机制，增强了Transformer对电池退化特征的提取能力，并采用动态损失平衡策略，有效解决了多任务学习中不同损失函数权重难以协调的问题。实验结果表明，该方法在多个公开数据集上相比现有基准模型显著提升了SOH和RUL的预测精度与稳定性。该研究为电池管理系统的智能化升级提供了新的技术路径，有望在电动汽车、储能系统等领域实现更精准的电池寿命预测与运维决策。 #锂离子电池 #SOH #RUL #Transformer #动态损失平衡 #电池管理 #AI #科技前沿