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

神经算子代理实现二维中子通量估计

一篇题为《神经算子代理用于二维中子通量估计》的论文在arXiv上发布，作者为Japan K. Patel等五人。该研究提出利用神经算子作为代理模型，替代传统数值方法进行二维中子通量估计，旨在提高核反应堆物理计算效率。论文展示了神经算子在该领域的应用潜力，通过训练模型学习中子输运方程的解，实现了快速且准确的通量预测。相关工作已获得NASA ADS、Google Scholar等学术数据库索引，并提供了PDF全文链接。该研究为核工程中的机器学习应用提供了新思路，有望加速反应堆设计与安全分析流程。 #神经算子 #中子通量 #核工程 #机器学习 #arXiv #代理模型 #科学计算

正交化读取器

一篇发表于arXiv的论文提出了一种名为“正交化读取器”的新型训练框架，可作为循环记忆模型的可移除训练支架。该研究由Keston Aquino-Michaels完成，论文标题为《正交化读取器是循环记忆的可移除训练支架》。正交化读取器通过引入正交化机制，在训练阶段辅助循环记忆网络优化参数，并在训练完成后可被移除，从而在不增加推理负担的前提下提升模型性能。这一方法有望为循环神经网络和记忆增强模型的训练提供更高效的解决方案，推动相关领域在序列建模和长期依赖学习方面的进展。 #arXiv #机器学习 #循环神经网络 #正交化 #训练支架

LAARA：层感知自适应秩分配方法助力参数高效微调

据arXiv预印本平台显示，一篇题为《LAARA: Layer-Aware Adaptive Rank Allocation for Parameter-Efficient Fine-Tuning》的论文近日提交。该论文由Ashutosh Tripathi等四位研究人员共同完成，提出了一种名为LAARA的新型参数高效微调方法。该方法通过层感知的自适应秩分配策略，在微调过程中根据不同层的重要性动态分配秩，从而在保持模型性能的同时大幅减少可训练参数数量。这一研究有望为大规模语言模型的高效微调提供新的思路，降低计算资源需求。目前论文已可在arXiv上获取全文。 #LAARA #参数高效微调 #大模型 #AI #论文 #arXiv #机器学习

利用图神经网络预测地下水砷浓度

一项最新研究提出利用图神经网络（GNN）预测地下水中的砷浓度，为全球数亿面临砷污染风险的人群提供更精准的水质监测手段。该研究由William Xing等七位作者完成，论文于2026年7月2日提交至arXiv预印本平台。传统方法依赖物理模型或统计回归，难以捕捉复杂水文地质关系，而GNN通过建模监测井之间的空间依赖性和非欧几里得结构，显著提升了预测精度。研究团队基于大规模地下水砷数据集训练模型，结果显示GNN在低采样密度区域表现尤为突出，能有效识别高风险区域。这一方法有望替代传统昂贵的地下水采样，为发展中国家和偏远地区提供低成本、高覆盖的砷污染预警工具，助力全球饮用水安全。 #图神经网络 #地下水 #砷污染 #机器学习 #环境科学 #AI #水质监测 #arXiv #论文

可解码但不可检测

一项最新研究提出了一种针对近分布外基准测试的泄漏指纹方法，该方法能够识别出模型在训练过程中可能接触到的测试数据。研究团队发现，尽管这些泄漏数据可以被解码，但传统的检测手段却难以发现。该研究通过分析模型对特定样本的预测行为，构建了一种独特的指纹特征，从而有效区分模型是否真正见过这些数据。这一发现对于评估大语言模型在分布外场景下的泛化能力具有重要意义，有助于更准确地衡量模型的实际性能，避免因数据泄漏导致的评估偏差。 #AI #机器学习 #数据泄漏 #基准测试 #模型评估 #arXiv

跨主体语义解码研究提出共享空间对齐新方法

近日，一篇题为《Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning》的论文在arXiv预印本平台提交。该研究由Jihoon Heo等学者完成，聚焦于神经解码领域的关键挑战——如何实现跨主体的通用语义解码。传统模型往往针对单个个体训练，泛化能力有限。作者提出通过共享空间对齐策略，将不同受试者的神经表征映射到统一空间，从而学习更具普适性的神经表征。这一方法有望显著提升脑机接口系统在新用户上的适配效率，减少校准时间，并推动神经解码技术向实际应用迈进。论文目前已开放PDF和HTML版本供查阅，相关代码和数据链接也在逐步公开。 #神经科学 #脑机接口 #语义解码 #跨主体泛化 #共享空间对齐 #arXiv #机器学习 #AI

从轨迹到前缀

一篇发表于arXiv的论文提出了一种名为“从轨迹到前缀”的新方法，旨在通过重放前缀和在线延续技术，高效复用教师模型的轨迹数据。该方法解决了传统知识蒸馏中教师轨迹利用率低的问题，通过将完整轨迹分解为可重放的前缀片段，并结合在线延续机制，使模型在训练过程中能够持续从教师经验中学习。实验表明，该技术显著提升了学生模型的推理能力和泛化性能，尤其在复杂任务场景下表现突出。研究团队来自多所机构，论文详细阐述了算法设计、实验设置及结果分析，为知识蒸馏领域提供了新的思路。 #论文 #知识蒸馏 #AI #机器学习 #深度学习 #轨迹复用 #arXiv

Memory Merge DQN

一篇题为《Memory Merge DQN: Sensitivity Weighted Target Updates for Stable Value Learning》的学术论文在arXiv上发布。该研究由Adrian Ly等五位作者共同完成，提出了一种名为Memory Merge DQN的新型强化学习算法。该算法通过引入灵敏度加权的目标更新机制，旨在解决传统深度Q网络（DQN）在值函数学习过程中存在的不稳定性问题。论文详细阐述了如何通过记忆合并与加权策略，提升模型在复杂环境下的学习效率与收敛稳定性。目前，该论文的PDF全文及HTML版本已开放获取，并附有相关代码与数据链接，供研究人员参考与复现。 #强化学习 #DQN #AI #机器学习 #算法 #arXiv #学术论文

利用离线监督实现大规模视觉-语言

一篇来自arXiv的论文提出了一种新方法，旨在通过离线监督信号提升大规模视觉-语言-动作模型在强化学习中的效率与泛化能力。研究团队指出，传统强化学习在大规模模型中常面临样本效率低和泛化性不足的挑战。该方法利用离线数据中的监督信息，引导模型在复杂环境中更高效地学习策略，同时增强其在不同任务间的迁移能力。实验表明，该框架在多个基准测试中显著提升了模型性能，为机器人操作、自动驾驶等领域的应用提供了新思路。论文还讨论了如何结合视觉与语言信息来优化动作决策，并分析了离线监督对模型鲁棒性的影响。 #强化学习 #视觉语言模型 #AI #机器学习 #机器人 #论文 #arXiv

预测性单细胞基础模型：隐私保护表格学习助力基因调控与衰老研究

研究人员提出了一种名为“预测性单细胞基础模型”的新方法，旨在通过隐私保护的表格学习技术，深入解析基因调控机制与衰老过程。该模型由Jiayuan Ding等17位作者共同完成，相关论文已在arXiv预印本平台发布。研究团队利用单细胞数据，结合隐私保护策略，构建了能够预测基因调控网络和衰老相关特征的基础模型。这一成果有望在保护数据隐私的前提下，推动单细胞生物学和衰老研究的进展，为精准医学和抗衰老干预提供新的工具。 #单细胞 #基础模型 #基因调控 #衰老 #隐私保护 #表格学习 #arXiv #生物信息学

共识何时优于投票？医学图像分割中统计标签融合的批判性分析

一篇来自arXiv的学术论文对医学图像分割中的标签融合方法进行了批判性分析。该研究由Renjie He等人撰写，探讨了在医学图像分割任务中，共识方法（consensus）与投票方法（voting）的优劣比较。论文通过严格的统计分析，揭示了不同标签融合策略在不同场景下的表现差异，为医学图像分析领域的算法选择提供了理论依据。研究指出，传统投票方法并非总是最优，共识策略在特定条件下能取得更好的分割效果。该论文已提交至arXiv平台，并附有完整PDF版本供学术参考。 #医学图像分割 #标签融合 #共识算法 #投票方法 #arXiv #学术论文 #计算机视觉

差分隐私下恢复临床效用：自适应联邦聚合在异质性心血管数据集上的实证验证

该研究提出了一种自适应联邦聚合方法，旨在解决差分隐私保护下临床数据效用下降的问题。研究团队在异质性心血管数据集上进行了实证验证，通过调整聚合策略平衡隐私保护与模型性能。实验结果表明，该方法在满足严格差分隐私要求的同时，有效恢复了临床预测的准确性，为医疗数据共享中的隐私与效用权衡提供了新思路。 #差分隐私 #联邦学习 #心血管疾病 #临床数据 #隐私保护 #机器学习 #医疗AI

多尺度时间补丁结构化潜在空间建模方法提出，助力多元时间序列预测

来自arXiv的一篇研究论文提出了一种名为“多尺度时间补丁结构化潜在空间建模”的新方法，用于改进多元时间序列预测。该方法通过将时间序列数据分解为多尺度的时间补丁，并在潜在空间中进行结构化建模，从而更有效地捕捉时间序列中的复杂依赖关系和模式。论文作者为Xingsheng Chen等人，于2026年7月提交至arXiv。该研究有望提升金融、气象、能源等领域的时间序列预测准确性，为相关应用提供更强大的分析工具。 #时间序列预测 #多尺度建模 #潜在空间 #机器学习 #AI研究

Reproducing Recurrent Transformers

论文《Reproducing Recurrent Transformers: The CoTFormer》已在arXiv平台提交，作者为Aras Kavuncu等人。该研究聚焦于复现递归Transformer架构，提出CoTFormer模型，旨在通过链式思维推理提升模型性能。论文详细介绍了模型设计、实验设置及结果，并提供了PDF、HTML及TeX源码等访问方式。当前浏览上下文为2026年7月，相关引用、代码及数据链接已集成，支持通过NASA ADS、Google Scholar等工具检索。arXivLabs框架允许社区协作开发新功能，强调开放、社区、卓越及用户数据隐私等价值观。 #论文 #arXiv #CoTFormer #递归Transformer #链式思维 #AI研究 #机器学习

NMR 解析新范式

一篇发表于 arXiv 的论文提出，核磁共振（NMR）解析应被视为一种智能体搜索问题，而非传统的建模问题。该研究由 Irina Espejo Morales 等五位作者完成，论文标题为《NMR Elucidation as an Agentic Search Problem, Not a Modeling Problem》。作者认为，传统方法将 NMR 解析视为建模任务，但实际过程更接近智能体在复杂化学空间中的搜索。该观点可能为 NMR 解析提供新的方法论框架，推动相关领域的研究进展。 #NMR #核磁共振 #智能体 #搜索问题 #化学 #论文 #arXiv

奖励感知种群缩放方法

据arXiv预印本，一篇题为《Reward-Aware Population Scaling of Evolutionary Strategies in LLM Fine-Tuning》的论文近日提交。该研究针对大型语言模型微调中的进化策略，提出了一种奖励感知的种群缩放方法，通过动态调整种群规模以更有效地利用奖励信号，从而提升微调效率和模型性能。该方法有望为LLM的强化学习微调提供新思路，并进一步推动进化算法在自然语言处理领域的应用。 #论文 #LLM #进化策略 #微调 #奖励感知 #种群缩放 #AI #机器学习 #arXiv

自适应多专家图Transformer用于可解释脑电诊断

一项发表于arXiv的新研究提出了一种名为自适应多专家图Transformer的模型，用于基于脑电图的诊断。该模型通过结合图神经网络与Transformer架构，能够从脑电信号中提取多尺度时空特征，并引入专家机制实现可解释性。研究团队表示，该方法在多个公开数据集上取得了优于传统方法的诊断准确率，同时提供了清晰的决策依据，有助于临床医生理解模型判断过程。该工作为脑电诊断的智能化与可解释性提供了新思路。 #脑电诊断 #图神经网络 #Transformer #可解释AI #医疗AI #arXiv #深度学习

“遗忘即分布恢复”

一篇题为《遗忘即分布恢复：受控反事实研究、验证性选择性筛选及无预言机认证的局限》的学术论文在arXiv上发布。该研究由Sen Yang和Yuen-Hei Yeung共同完成，提出将机器“遗忘”过程重新定义为对原始数据分布的恢复，而非简单的数据删除。研究通过受控反事实实验，验证了一种选择性筛选方法的有效性，并深入探讨了在没有“预言机”（即完美知识）的情况下，对模型遗忘效果进行认证的固有局限性。这项工作为理解机器学习模型如何安全、可靠地“遗忘”特定信息提供了新的理论框架，并指出了当前认证方法在实际应用中的边界。 #机器学习 #AI安全 #数据遗忘 #学术论文 #arXiv

船舶发动机故障数据集发布，提供开源参考与故障场景数据

来自英国南安普顿大学等机构的研究团队在arXiv上发布了一项名为“Marine Engine Fault Dataset”的开源数据集。该数据集旨在为船舶发动机故障诊断研究提供标准化、可控的参考数据，包含在多种参考工况和故障场景下采集的发动机运行数据。研究人员表示，该数据集有助于推动基于数据驱动的船舶发动机健康监测与故障预测技术的发展，为相关领域的算法验证和模型训练提供宝贵的公共资源。 #船舶发动机 #故障诊断 #开源数据集 #arXiv #AI #工业智能 #数据驱动

工具增强型LLM代理的安全拒绝审计

一项新研究揭示了工具增强型大语言模型（LLM）代理在安全拒绝机制中的潜在缺陷。该论文题为《Guardrails as Scapegoats: Auditing Unfaithful Safety Refusals in Tool-Augmented LLM Agents》，由Aarushi Singh等人撰写，于2026年7月21日提交至arXiv。研究聚焦于这些代理在调用外部工具时，其安全护栏可能被错误地用作“替罪羊”，导致不忠实的拒绝行为——即模型因工具交互而错误地拒绝合法请求，或未能拒绝有害请求。通过审计方法，作者分析了此类代理在安全决策中的可靠性，指出当前护栏机制可能掩盖了模型自身的判断失误。该工作对提升AI系统的安全性和透明度具有重要意义，尤其涉及工具调用场景下的责任归属问题。 #AI安全 #LLM代理 #工具增强 #审计 #arXiv #论文 #大模型