基于注意力的经验回放框架提出，用于未知时间序列预测模型的持续学习
该论文被提交至arXiv，并被CAp & RFIAP 2026国际会议接收。研究针对通用型时间序列预测模型在持续学习场景中的灾难性遗忘问题，提出了一种基于注意力的经验回放框架。传统经验回放方法对所有历史样本一视同仁，难以适应不断变化的数据分布。新框架通过注意力机制动态评估各样本的重要性，优先选择关键旧样本参与回放，从而在保持模型稳定性的同时提升对新任务的适应能力。实验表明，该框架能够显著降低遗忘率，并在多个真实数据集上取得更优的持续学习表现。论文由团队合作完成，旨在为智能系统在动态环境中的长期预测任务提供更高效的解决方案。 #arXiv #持续学习 #时间序列预测 #注意力机制 #经验回放 #CApRFIAP #学术论文 #人工智能 #灾难性遗忘
该论文被提交至arXiv，并被CAp & RFIAP 2026国际会议接收。研究针对通用型时间序列预测模型在持续学习场景中的灾难性遗忘问题，提出了一种基于注意力的经验回放框架。传统经验回放方法对所有历史样本一视同仁，难以适应不断变化的数据分布。新框架通过注意力机制动态评估各样本的重要性，优先选择关键旧样本参与回放，从而在保持模型稳定性的同时提升对新任务的适应能力。实验表明，该框架能够显著降低遗忘率，并在多个真实数据集上取得更优的持续学习表现。论文由团队合作完成，旨在为智能系统在动态环境中的长期预测任务提供更高效的解决方案。 #arXiv #持续学习 #时间序列预测 #注意力机制 #经验回放 #CApRFIAP #学术论文 #人工智能 #灾难性遗忘
SPECTRA：用于概率性能源预测的状态空间外生上下文与时频分辨率架构
据arXiv预印本平台信息，一篇题为《SPECTRA: State-Space Exogenous Context and Temporal-Frequency Resolution Architecture for Probabilistic Energy Forecasting》的论文于2026年7月22日提交。该论文由Hang Ye等7位作者联合完成，提出了一种名为SPECTRA的新型深度学习架构，旨在提升概率性能源预测的准确性。该架构融合了状态空间模型、外生上下文以及时频分辨率技术，有望在电力负荷、可再生能源发电等能源领域的概率预测任务中发挥重要作用。目前论文已提供PDF全文及HTML版本供研究者查阅，相关代码与数据资源可通过学术社区获取。 #SPECTRA #能源预测 #概率预测 #状态空间模型 #时频分析 #深度学习 #机器学习 #学术论文 #arXiv #能源AI
据arXiv预印本平台信息，一篇题为《SPECTRA: State-Space Exogenous Context and Temporal-Frequency Resolution Architecture for Probabilistic Energy Forecasting》的论文于2026年7月22日提交。该论文由Hang Ye等7位作者联合完成，提出了一种名为SPECTRA的新型深度学习架构，旨在提升概率性能源预测的准确性。该架构融合了状态空间模型、外生上下文以及时频分辨率技术，有望在电力负荷、可再生能源发电等能源领域的概率预测任务中发挥重要作用。目前论文已提供PDF全文及HTML版本供研究者查阅，相关代码与数据资源可通过学术社区获取。 #SPECTRA #能源预测 #概率预测 #状态空间模型 #时频分析 #深度学习 #机器学习 #学术论文 #arXiv #能源AI
平滑加性模型中自动节点选择的新方法
近日，arXiv上预印了一篇题为《平滑加性模型中的自动节点选择》的论文，作者为Nicolás Carrizosa等。平滑加性模型是统计学与机器学习中广泛使用的非参数回归工具，节点位置的选择直接影响模型拟合与解释能力。该研究提出了一种自动选取节点的算法，无需人工设定节点数量或位置，能够根据数据自适应地确定最优节点分布。通过理论分析与数值实验，作者证明了该方法在降低模型复杂度的同时保持了良好的预测精度，并具备计算效率优势。这项工作为高维数据下的加性建模提供了实用解决方案，有望推动在生物信息学、经济学等领域的应用。 #统计 #机器学习 #平滑加性模型 #自动节点选择 #非参数回归 #算法 #大数据
近日，arXiv上预印了一篇题为《平滑加性模型中的自动节点选择》的论文，作者为Nicolás Carrizosa等。平滑加性模型是统计学与机器学习中广泛使用的非参数回归工具，节点位置的选择直接影响模型拟合与解释能力。该研究提出了一种自动选取节点的算法，无需人工设定节点数量或位置，能够根据数据自适应地确定最优节点分布。通过理论分析与数值实验，作者证明了该方法在降低模型复杂度的同时保持了良好的预测精度，并具备计算效率优势。这项工作为高维数据下的加性建模提供了实用解决方案，有望推动在生物信息学、经济学等领域的应用。 #统计 #机器学习 #平滑加性模型 #自动节点选择 #非参数回归 #算法 #大数据
基于Transformer的扩散模型用于水文时间序列概率插补与预测
近日，一篇由Ferdinand Bhavsar等人提交至arXiv的论文提出了一种基于Transformer架构的扩散模型，专门用于水文时间序列的概率插补与预测。该模型结合了Transformer在序列建模上的优势与扩散模型在生成不确定性量化上的能力，旨在解决水文数据中常见的缺失值和预测不确定性问题。研究团队在多个水文数据集上进行了验证，结果表明该模型在插补精度和预测可靠性上均优于传统方法，为水资源管理和洪水预警等应用提供了更稳健的建模工具。论文已通过arXiv预印本形式发布，并附有完整的PDF和TeX源码供研究者参考。 #Transformer #扩散模型 #水文 #时间序列 #概率插补 #预测 #AI #arXiv #机器学习 #水文学
近日，一篇由Ferdinand Bhavsar等人提交至arXiv的论文提出了一种基于Transformer架构的扩散模型，专门用于水文时间序列的概率插补与预测。该模型结合了Transformer在序列建模上的优势与扩散模型在生成不确定性量化上的能力，旨在解决水文数据中常见的缺失值和预测不确定性问题。研究团队在多个水文数据集上进行了验证，结果表明该模型在插补精度和预测可靠性上均优于传统方法，为水资源管理和洪水预警等应用提供了更稳健的建模工具。论文已通过arXiv预印本形式发布，并附有完整的PDF和TeX源码供研究者参考。 #Transformer #扩散模型 #水文 #时间序列 #概率插补 #预测 #AI #arXiv #机器学习 #水文学
ConfidenceBench 发布
一篇题为《ConfidenceBench: Evaluating Confidence Calibration in Large Language Models》的论文于2026年7月10日提交至 arXiv 预印本平台。该研究由 Matthew ffrench-Constant 等学者完成，聚焦于大语言模型（LLM）输出置信度的校准问题。随着 LLM 在各类任务中广泛应用，模型对其预测的置信度与实际正确率之间的匹配程度（即校准能力）直接影响系统的可靠性与安全性。ConfidenceBench 旨在构建一个标准化基准，系统性地评估不同模型在多种场景下的置信度校准表现，为提升模型的可解释性和可信度提供参考。该工作对 AI 安全、模型评估及下游应用部署具有潜在价值。 #大语言模型 #置信度校准 #AI安全 #模型评估 #arXiv #ConfidenceBench
一篇题为《ConfidenceBench: Evaluating Confidence Calibration in Large Language Models》的论文于2026年7月10日提交至 arXiv 预印本平台。该研究由 Matthew ffrench-Constant 等学者完成，聚焦于大语言模型（LLM）输出置信度的校准问题。随着 LLM 在各类任务中广泛应用，模型对其预测的置信度与实际正确率之间的匹配程度（即校准能力）直接影响系统的可靠性与安全性。ConfidenceBench 旨在构建一个标准化基准，系统性地评估不同模型在多种场景下的置信度校准表现，为提升模型的可解释性和可信度提供参考。该工作对 AI 安全、模型评估及下游应用部署具有潜在价值。 #大语言模型 #置信度校准 #AI安全 #模型评估 #arXiv #ConfidenceBench
CLOE: 基于 Christoffel 损失的自编码器异常检测方法
一篇题为《CLOE: Christoffel Loss Autoencoder for Anomaly Detection》的学术论文发表于 arXiv 预印本平台，并已被第16届信息科学与技术国际会议录用。该研究提出了一种新型自编码器架构，通过引入 Christoffel 损失函数来增强异常检测能力。与传统自编码器不同，CLOE 利用 Christoffel 符号在几何流形上的特性，更有效地学习正常数据的局部结构，从而在异常检测任务中取得更优性能。论文来自法国 LAAS 实验室等多位作者，展示了该方法在多个基准数据集上的竞争力，为异常检测领域提供了新的理论视角与实用工具。 #CLOE #异常检测 #自编码器 #Christoffel损失 #机器学习 #人工智能 #学术论文
一篇题为《CLOE: Christoffel Loss Autoencoder for Anomaly Detection》的学术论文发表于 arXiv 预印本平台，并已被第16届信息科学与技术国际会议录用。该研究提出了一种新型自编码器架构，通过引入 Christoffel 损失函数来增强异常检测能力。与传统自编码器不同，CLOE 利用 Christoffel 符号在几何流形上的特性，更有效地学习正常数据的局部结构，从而在异常检测任务中取得更优性能。论文来自法国 LAAS 实验室等多位作者，展示了该方法在多个基准数据集上的竞争力，为异常检测领域提供了新的理论视角与实用工具。 #CLOE #异常检测 #自编码器 #Christoffel损失 #机器学习 #人工智能 #学术论文
Fisher Widths
近日，一篇题为“Fisher Widths: Local Learning Geometry and Anisotropic Recovery”的论文在arXiv上提交。该论文由学者Vu Khac Ky撰写，研究了Fisher宽度理论在局部学习几何与各向异性恢复中的应用，为理解机器学习模型的泛化能力与几何特性提供了新视角。Fisher宽度是统计学习理论中的重要概念，论文可能探讨了如何利用该理论分析数据分布的各向异性，以及其在低维恢复和模型选择中的潜力。相关研究对深度学习的理论基石具有潜在影响。 #机器学习 #Fisher宽度 #学习几何 #各向异性恢复 #arXiv #统计学习
近日，一篇题为“Fisher Widths: Local Learning Geometry and Anisotropic Recovery”的论文在arXiv上提交。该论文由学者Vu Khac Ky撰写，研究了Fisher宽度理论在局部学习几何与各向异性恢复中的应用，为理解机器学习模型的泛化能力与几何特性提供了新视角。Fisher宽度是统计学习理论中的重要概念，论文可能探讨了如何利用该理论分析数据分布的各向异性，以及其在低维恢复和模型选择中的潜力。相关研究对深度学习的理论基石具有潜在影响。 #机器学习 #Fisher宽度 #学习几何 #各向异性恢复 #arXiv #统计学习
递归何时变为算法？权重共享循环Transformer的收敛选择
一篇题为《When Does Recurrence Become an Algorithm? Convergence Selection in Weight-Tied Looped Transformers》的学术论文引起关注。该研究由Tong Zhang等人完成，聚焦于权重共享的循环Transformer结构，深入探讨了在递归过程中，系统何时能够从简单的重复计算转变为具有真正算法性质的稳定收敛行为。论文通过理论分析与实验验证，揭示了循环Transformer在参数共享条件下实现收敛的条件与机制，为理解深层Transformer的泛化能力与计算特性提供了新视角。该成果对改进大模型架构、提升推理效率具有潜在参考价值。 #AI #机器学习 #Transformer #递归 #算法 #收敛 #权重共享 #大模型
一篇题为《When Does Recurrence Become an Algorithm? Convergence Selection in Weight-Tied Looped Transformers》的学术论文引起关注。该研究由Tong Zhang等人完成，聚焦于权重共享的循环Transformer结构，深入探讨了在递归过程中，系统何时能够从简单的重复计算转变为具有真正算法性质的稳定收敛行为。论文通过理论分析与实验验证，揭示了循环Transformer在参数共享条件下实现收敛的条件与机制，为理解深层Transformer的泛化能力与计算特性提供了新视角。该成果对改进大模型架构、提升推理效率具有潜在参考价值。 #AI #机器学习 #Transformer #递归 #算法 #收敛 #权重共享 #大模型
高斯过程高最小值研究
近日，研究人员Enkelejd Hashorva与Svyatoslav Novikov在预印本平台arXiv上提交了一篇题为《高斯过程的高最小值：过冲与极小值位置》的数学论文。该工作聚焦于高斯随机过程在极值理论中的关键问题，深入探讨了高最小值（即过程在足够高阈值上的极值）的过冲分布特征，以及极小值出现位置的统计规律。研究不仅从理论上刻画了过冲量的渐近行为，还分析了极小值位置在空间或时间上的聚集性质。相关成果对于理解随机过程的极端事件、优化理论及统计推断具有潜在应用价值。论文已通过arXiv平台发布，并提供了PDF和HTML版本供学界参考。 #高斯过程 #极值理论 #随机过程 #数学 #统计 #arXiv #论文 #过冲 #极小值
近日，研究人员Enkelejd Hashorva与Svyatoslav Novikov在预印本平台arXiv上提交了一篇题为《高斯过程的高最小值：过冲与极小值位置》的数学论文。该工作聚焦于高斯随机过程在极值理论中的关键问题，深入探讨了高最小值（即过程在足够高阈值上的极值）的过冲分布特征，以及极小值出现位置的统计规律。研究不仅从理论上刻画了过冲量的渐近行为，还分析了极小值位置在空间或时间上的聚集性质。相关成果对于理解随机过程的极端事件、优化理论及统计推断具有潜在应用价值。论文已通过arXiv平台发布，并提供了PDF和HTML版本供学界参考。 #高斯过程 #极值理论 #随机过程 #数学 #统计 #arXiv #论文 #过冲 #极小值
自平衡序列采样
近日，arXiv上出现一篇题为《Self-Balancing Sequential Sampling: Fast Convergence with Controlled Predictability》的论文，由Zachary McNulty等人撰写，提交于2026年7月23日。该研究提出了一种自平衡序列采样方法，旨在在统计采样过程中同时实现快速收敛和可控的可预测性。传统的序贯采样往往难以兼顾效率和稳定性，而新方法通过动态调整采样策略，在保证收敛速度的前提下，使样本序列的随机性得到有效约束。这一成果有望为机器学习、统计推断和实验设计等领域提供更高效的采样工具，降低计算开销与不确定性。 #arXiv #论文 #序列采样 #自平衡 #收敛速度 #可控性 #统计学 #机器学习
近日，arXiv上出现一篇题为《Self-Balancing Sequential Sampling: Fast Convergence with Controlled Predictability》的论文，由Zachary McNulty等人撰写，提交于2026年7月23日。该研究提出了一种自平衡序列采样方法，旨在在统计采样过程中同时实现快速收敛和可控的可预测性。传统的序贯采样往往难以兼顾效率和稳定性，而新方法通过动态调整采样策略，在保证收敛速度的前提下，使样本序列的随机性得到有效约束。这一成果有望为机器学习、统计推断和实验设计等领域提供更高效的采样工具，降低计算开销与不确定性。 #arXiv #论文 #序列采样 #自平衡 #收敛速度 #可控性 #统计学 #机器学习
深度参数化量子电路的谨慎乐观
近日，来自多位作者（包括Marie Kempkes等7人）的研究论文《Cautious optimism for deep parameterized quantum circuits》在arXiv预印本平台发布。该论文聚焦深度参数化量子电路这一量子计算前沿方向，系统评估了其在量子机器学习和优化问题中的应用前景。参数化量子电路常因噪声和梯度消失等问题面临挑战，但作者通过理论分析和数值实验，发现深度电路在特定条件下仍具有表达能力和训练可行性，并提出一种“谨慎乐观”的立场。研究指出，合理设计电路结构和初始化策略可缓解深度带来的负面效应，为未来量子算法的实用化提供了理论依据。这项工作有望推动量子神经网络和变分量子算法的进一步发展，但实现大规模应用仍需克服硬件限制。 #量子计算 #参数化量子电路 #arXiv #量子机器学习 #深度网络 #科技前沿 #理论研究
近日，来自多位作者（包括Marie Kempkes等7人）的研究论文《Cautious optimism for deep parameterized quantum circuits》在arXiv预印本平台发布。该论文聚焦深度参数化量子电路这一量子计算前沿方向，系统评估了其在量子机器学习和优化问题中的应用前景。参数化量子电路常因噪声和梯度消失等问题面临挑战，但作者通过理论分析和数值实验，发现深度电路在特定条件下仍具有表达能力和训练可行性，并提出一种“谨慎乐观”的立场。研究指出，合理设计电路结构和初始化策略可缓解深度带来的负面效应，为未来量子算法的实用化提供了理论依据。这项工作有望推动量子神经网络和变分量子算法的进一步发展，但实现大规模应用仍需克服硬件限制。 #量子计算 #参数化量子电路 #arXiv #量子机器学习 #深度网络 #科技前沿 #理论研究
最优利用黑盒学习器的半参数估计方法研究
近日，一篇题为《Optimal use of a black-box learner in semiparametric estimation》的学术论文在arXiv平台发布。该论文由Yihong Gu撰写，探讨在半参数估计框架下如何最优地利用黑盒学习器。半参数估计是统计学习中的重要方法，结合了参数模型与非参数方法的优点，而黑盒学习器（如深度神经网络）在复杂数据建模中表现突出。论文旨在提出一种理论框架，指导研究者如何在保持估计效率的同时，有效集成黑盒学习器的预测能力。该研究对提升统计推断的稳健性和计算效率具有潜在影响，适用于因果推断、生物统计及经济计量等领域。目前论文已开放全文链接，相关代码和数据资源也在陆续公布中。 #机器学习 #半参数估计 #黑盒学习器 #统计学 #YihongGu #arXiv #学术论文 #因果推断 #数据科学
近日，一篇题为《Optimal use of a black-box learner in semiparametric estimation》的学术论文在arXiv平台发布。该论文由Yihong Gu撰写，探讨在半参数估计框架下如何最优地利用黑盒学习器。半参数估计是统计学习中的重要方法，结合了参数模型与非参数方法的优点，而黑盒学习器（如深度神经网络）在复杂数据建模中表现突出。论文旨在提出一种理论框架，指导研究者如何在保持估计效率的同时，有效集成黑盒学习器的预测能力。该研究对提升统计推断的稳健性和计算效率具有潜在影响，适用于因果推断、生物统计及经济计量等领域。目前论文已开放全文链接，相关代码和数据资源也在陆续公布中。 #机器学习 #半参数估计 #黑盒学习器 #统计学 #YihongGu #arXiv #学术论文 #因果推断 #数据科学
加纳疟疾时空异常检测研究
一篇发表在arXiv上的研究论文提出了一种基于无监督共识的异常检测方法，用于分析加纳疟疾发病率的时空数据。该方法由Theophilus Ansah-Narh和Y. Asare Afrane共同完成，旨在从海量疟疾监测数据中自动识别异常时空模式，从而辅助公共卫生部门更高效地预警和干预。与传统监督学习方法不同，该技术不依赖标注数据，通过集成多个检测器并形成共识，有效降低了误报率，提升了在复杂地理环境下的鲁棒性。研究团队利用加纳多年的疟疾时空发病率数据进行了验证，结果表明该方法能够准确捕捉到异常爆发点，为当地疟疾防控提供了新的数据驱动工具。 #加纳 #疟疾 #异常检测 #时空分析 #无监督学习 #共识机制 #公共卫生 #arXiv #AI #疾病防控
一篇发表在arXiv上的研究论文提出了一种基于无监督共识的异常检测方法，用于分析加纳疟疾发病率的时空数据。该方法由Theophilus Ansah-Narh和Y. Asare Afrane共同完成，旨在从海量疟疾监测数据中自动识别异常时空模式，从而辅助公共卫生部门更高效地预警和干预。与传统监督学习方法不同，该技术不依赖标注数据，通过集成多个检测器并形成共识，有效降低了误报率，提升了在复杂地理环境下的鲁棒性。研究团队利用加纳多年的疟疾时空发病率数据进行了验证，结果表明该方法能够准确捕捉到异常爆发点，为当地疟疾防控提供了新的数据驱动工具。 #加纳 #疟疾 #异常检测 #时空分析 #无监督学习 #共识机制 #公共卫生 #arXiv #AI #疾病防控