TriGlue

近日，研究团队在arXiv上提交了一篇题为《TriGlue: a Biology-Inspired Generative Model for Generating Molecular Glue-Induced Ternary Complex》的论文。该工作提出了一种新型生成模型TriGlue，其核心设计受生物学机制启发，旨在从头生成能够诱导蛋白质间形成三元复合物的分子胶。分子胶是一类能促使两种蛋白质发生相互作用的化学分子，在靶向蛋白降解等前沿药物研发中展现巨大潜力。TriGlue模型通过深度学习技术，有望突破传统筛选方法的局限，高效探索广阔的化学空间，从而加速候选分子胶的发现过程。这一成果将为蛋白质相互作用调控和新型治疗策略的开发提供有力工具。 #分子胶 #生成模型 #AI #药物发现 #蛋白质降解 #生物信息学

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

预训练EHR基础模型引入患者感知采样策略

一篇发表在arXiv上的论文提出了一种针对电子健康记录（EHR）基础模型预训练的新方法——患者感知采样。该方法由Joshua Placidi等研究者设计，旨在解决传统随机采样忽视患者个体连续性与上下文信息的问题。论文指出，通过患者感知采样，模型能够更好地学习患者病程中的动态变化与诊疗模式，从而提升在疾病预测、风险分层等下游任务中的泛化能力。这一工作为医疗领域大规模基础模型的预训练提供了新的技术路径，有望助推AI在临床决策支持中的落地应用。 #EHR #基础模型 #预训练 #患者感知采样 #医疗AI #arXiv #深度学习

无泄漏堆叠集成方法提升多类分类泛化能力

一项关于多类分类的研究论文在学术预印本平台arXiv上公开。该论文由S. P. Sharmila和Aruna Tiwari撰写，提出一种无泄漏的堆叠集成方法。堆叠集成是机器学习中通过组合多个基础模型来提升性能的常用技术，但在传统实现中容易因数据泄露导致模型过拟合，降低泛化能力。本研究针对这一问题，设计了一种避免数据泄漏的集成框架，旨在提高多类分类任务的稳定性和准确性。论文属于计算机科学领域，目前已上传至arXiv，提供全文PDF供学术同行审阅。 #arXiv #机器学习 #集成学习 #多类分类 #数据泄露 #人工智能 #计算机科学 #学术论文 #分类算法

CEL

近日，研究团队在 arXiv 上提交了论文《CEL: Comprehensive Counterfactual Explanations Library and Benchmark》。该工作由 Oleksii Furman 等四位作者完成，旨在构建首个系统整合反事实解释方法与标准化评估的综合库与基准。反事实解释是可解释人工智能的关键技术，通过展示如何变更输入特征以改变模型预测结果，帮助理解模型决策逻辑。CEL 集成了多种主流反事实生成算法，并提供统一评估框架，覆盖多类数据集与模型，以促进领域内的可重复性和公平比较。该资源的推出有望填补反事实解释研究中缺乏标准化基准的空白，加速相关算法开发与落地应用。 #反事实解释 #AI可解释性 #机器学习 #基准 #arXiv #CEL #可解释AI #开源工具

DCS：面向跨模态版权侵权检测的统一条件敏感性框架

一篇题为《DCS: A Unified Conditional Sensitivity Framework for Cross-Modal Copyright Infringement Detection》的论文被提交至arXiv。该论文由Xiafeng Man等人撰写，提出了一种名为DCS的统一条件敏感性框架，旨在解决跨模态场景下的版权侵权检测问题。随着多模态内容（如图像、文本、音频）的广泛传播，传统版权检测方法难以有效识别跨模态的侵权行为。DCS框架通过引入条件敏感性机制，能够更精确地判断不同模态内容之间的版权关联，有望提升检测的准确性与鲁棒性。该研究对于数字版权保护和内容合规管理具有潜在应用价值。 #论文 #版权侵权 #跨模态 #AI #机器学习 #arXiv #框架 #条件敏感性 #研究 #数字版权

跨域上下文赌博机的离策略评估与学习研究

一篇题为《Cross-Domain Off-Policy Evaluation and Learning for Contextual Bandits》的研究论文近期在arXiv上发布。该研究聚焦于上下文赌博机（Contextual Bandits）框架下的跨域离策略评估与学习问题。在传统离策略评估中，目标策略与行为策略通常来自同一数据分布，而跨域场景下两者存在分布偏移，导致评估偏差。论文提出新的方法，旨在提升在源域数据上训练的模型向目标域泛化时的离策略评估准确性，并进一步优化跨域学习策略。该研究对于推荐系统、个性化医疗等需要跨场景迁移的应用具有潜在价值。 #机器学习 #强化学习 #上下文赌博机 #离策略评估 #跨域学习

能量流形自然梯度下降法

一篇题为《Energy Manifold Natural Gradient Descent: Riemannian Optimization for Neural PDE Solvers》的论文近日在arXiv上发布，作者为Zhangyong Liang等人。该研究提出了一种名为能量流形自然梯度下降的创新方法，将黎曼几何优化框架引入神经网络求解偏微分方程（PDE）的任务中。传统优化方法在处理能量流形时常面临收敛缓慢的问题，而该方法通过自然梯度在流形上的应用，显著提升了训练效率与求解精度。这一工作为神经PDE求解器提供了新的理论工具，有望推动计算物理及科学机器学习领域的进一步发展。 #神经网络 #偏微分方程 #黎曼优化 #能量流形 #科学计算 #arXiv

从扰动修正到几何感知采样：锐度引导的均衡采样实现长尾学习中的平坦极小值

一篇新论文《From Perturbation Correction to Geometry-Aware Sampling: Sharpness-Guided Equilibrium Sampling for Balanced Flat Minima in Long-Tailed Learning》由 Jiaxin Deng 等人提交至 arXiv。该研究针对长尾学习中类别不平衡导致的模型泛化问题，提出了一种锐度引导的均衡采样方法。通过结合扰动修正与几何感知采样，该方法能够引导模型收敛到更平坦的极小值，从而提升对尾部类别的泛化性能。实验表明，该方法在多个长尾基准数据集上取得了显著改进，为处理数据不平衡问题提供了新思路。 #长尾学习 #机器学习 #深度不均衡 #锐度感知 #均衡采样 #论文 #AI #计算机视觉

AI 不会取代软件架构，反而使其更有价值

AI 能在一分钟内生成上千行代码，但它无法判断这些代码是否属于你的系统。这正是实现与架构的差别——AI 让实现变得丰富，而架构将丰富转化为连贯的系统。当代码生成变得廉价且快速时，瓶颈不再是编写，而是保持系统一致性的能力。AI 擅长局部优化，但缺乏对全局约束的理解，可能悄悄引入循环依赖、破坏缓存规则或绕过审计。系统故障往往发生在接缝处，而非单个循环效率低下。因此，架构决策记录、仓库指南和显式工程原则在 AI 时代比以往更重要，它们不再是静态文档，而是维护系统连贯性的关键。 #AI #软件架构 #代码生成 #系统设计 #工程管理 #技术观点

随机低秩适配的收敛性研究

一篇题为《On the Convergence of Stochastic Low-Rank Adaptation》的学术论文于2026年7月24日提交至arXiv预印本平台。该论文由Ru Wang等三位作者共同完成，主要从理论角度探讨了随机低秩适配（LoRA）方法的收敛性质。低秩适配是目前大模型微调中广泛采用的高效技术，通过引入低秩矩阵来减少可训练参数。该研究为LoRA的随机优化过程提供了收敛性分析，有助于理解其在实践中为何能有效工作，并为后续算法改进奠定理论基础。论文现已在arXiv开放获取，并提供PDF及HTML版本供研究者查阅。 #arXiv #LoRA #机器学习 #深度学习 #AI #论文 #微调 #收敛性

用强化学习训练LLM自我进化，核心元技能培养

一篇提交至arXiv的论文提出了通过强化学习（RL）教授大语言模型（LLM）自我进化、培养核心元技能的方法。作者Shujin Wu等人认为，传统LLM依赖静态数据集，难以自主提升能力。该研究旨在让模型掌握“学习如何学习”的元技能，从而在推理、适应等任务中持续改进。论文详细描述了利用RL框架引导模型在交互中反思、调整策略，进而实现自主进化。实验结果显示，该方法能显著提升模型在复杂推理和迁移学习上的表现。该工作为构建更具自主性和适应性的下一代LLM提供了新思路。 #LLM #强化学习 #自我进化 #元技能 #AI研究 #arXiv #机器学习

MA-DAR：流形对齐动态自适应路由实现持续时间知识图谱推理

一篇来自arXiv的论文提出了MA-DAR（流形对齐动态自适应路由）方法，旨在解决持续时间知识图谱推理中的灾难性遗忘和分布偏移问题。该方法通过流形对齐技术保持不同时间步知识表示的一致性，并引入动态自适应路由机制，根据输入特征选择最优参数路径，从而在持续学习过程中平衡稳定性与可塑性。在多个公开时序知识图谱基准数据集上的实验表明，MA-DAR在推理性能上显著优于现有方法，为时序动态知识的持续推理提供了新范式。 #论文 #知识图谱 #时序推理 #持续学习 #流形对齐 #自适应路由 #AI #深度学习

多智能体辩论与视觉信息提取技术获ICML 2026 AI4Math挑战赛冠军

来自ICML 2026 AI4Math Track 3挑战赛的技术报告显示，研究团队提出了一种结合多智能体辩论与视觉信息提取的新方法，在SeePhys Pro任务中夺得第一名。该方法通过多个AI智能体之间的协同辩论机制，有效提升了数学推理的准确性和鲁棒性；同时结合视觉信息提取技术，能够处理包含图像和公式的复杂物理题目。报告详细介绍了模型架构、训练策略及实验结果，展示了该方法在数学推理领域的显著优势，为未来AI在教育和科研中的应用提供了重要参考。 #ICML2026 #AI4Math #多智能体辩论 #视觉信息提取 #SeePhysPro #AI #数学推理 #技术报告

LatentFlow: Visual Analytics for Latent Space Analysis in Molecular Graph Neural Networks

一篇名为《LatentFlow: Visual Analytics for Latent Space Analysis in Molecular Graph Neural Networks》的学术论文由Shiyi Liu等研究者提交至arXiv预印本平台。该研究提出了一种名为LatentFlow的可视化分析框架，旨在帮助研究人员深入理解分子图神经网络（GNN）中的潜空间结构。通过交互式可视化和流形学习技术，LatentFlow能够揭示分子表征在潜空间中的分布、聚类及变化规律，从而提升模型的可解释性。该工具为药物发现、材料设计等领域提供了新的分析手段，有助于优化分子性质预测与生成模型。论文提供了完整的HTML和PDF版本，供学术界免费查阅。 #论文 #可视化分析 #潜空间 #分子图神经网络 #AI #科研工具

RIS-Kernel：通过稀疏注意力实现长上下文LLM推理的模型无关架构

研究人员提出了一种名为RIS-Kernel的新型模型无关架构，旨在通过稀疏注意力机制提升大语言模型（LLM）在长上下文推理场景下的效率。该架构不依赖特定模型结构，可广泛应用于各类LLM，有效降低长序列计算带来的显存与时间开销，同时保持推理性能。论文已提交至arXiv预印本平台，目前处于等待DOI注册阶段。这一方法有望解决当前LLM处理超长文本时面临的算力瓶颈，为文档分析、多轮对话等应用提供更高效的推理方案。 #RISKernel #稀疏注意力 #长上下文 #大模型 #LLM #模型无关 #AI #论文 #预印本

MissHyper 论文提出恢复临床同步性的超图预测方法

Mingyi Ma 与 Qingxiong Tan 在 arXiv 上提交论文《MissHyper: Restoring Clinical Synchronicity in Missingness-Guided Hypergraph Forecasting》，提出一种名为 MissHyper 的新框架。该研究聚焦临床时间序列预测中的关键难题：数据缺失常导致变量间时序不同步，影响模型可靠性。MissHyper 通过“缺失引导”机制，结合超图结构对复杂临床变量间的高阶关系进行建模，旨在恢复数据的内在时间同步性，提升预测的稳健性与准确性。论文目前已在 arXiv 平台公开，并处于 DataCite 注册流程中。该方法有望为医疗领域的智能决策提供更鲁棒的预测工具，尤其在重症监护、远程监测等数据频繁缺失的场景下具有应用潜力。 #MissHyper #临床预测 #超图学习 #缺失数据 #时间序列 #医疗AI #arXiv #深度学习

新方法解决异质性下基于粗化的图神经网络训练问题

一篇发表于arXiv的论文提出了一种名为“自适应互补增强”的新方法，用于改善图神经网络在异质性（heterophily）场景下基于粗化（coarsening）的训练效果。传统图神经网络在处理连接模式高度异质的图数据时，粗化操作往往导致信息丢失和性能下降。该方法通过引入互补增强机制，自适应地保留粗化过程中的关键结构信息，从而有效提升模型在异质图上的表示能力。实验表明，该方法在多个真实世界数据集上显著优于现有基线，为图神经网络处理异质图提供了新的思路。论文来自Guoming Li等作者，目前可通过arXiv获取全文。 #图神经网络 #异质性 #粗化 #自适应增强 #机器学习 #AI #arXiv

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

静态与动态网络的方差缩减Q学习研究登上arXiv

Sreejeet Maity及其合作者近日在arXiv预印本平台提交了一篇题为《Variance-Reduced Q-Learning over Static and Time-Varying Networks》的论文。该研究聚焦强化学习中的Q学习算法，针对其在静态与时变网络环境下因高方差导致的收敛缓慢问题，提出新的方差缩减策略，旨在提升算法的稳定性与学习效率。论文作者来自学术界，提交日期为2026年7月24日，目前可通过arXiv获取PDF全文及相关代码资源。该工作对分布式强化学习及网络化控制系统的优化具有潜在参考价值。 #强化学习 #Q学习 #方差缩减 #网络系统 #分布式优化 #机器学习 #arXiv #学术论文 #算法改进

LeAct论文发布

一篇题为《LeAct: Learning to Reason from Expert Actions》的预印本论文在arXiv平台正式上线。该论文由Ziran Yang等六位研究者共同撰写，于2026年7月23日提交至arXiv的计算机科学（cs）类别。论文标题揭示了其核心研究方向：如何通过分析并模仿专家行为来提升机器的推理能力。目前，论文的PDF全文、HTML版本及相关工具链接（如代码、数据）均已在arXiv页面提供，同时附有丰富的参考文献与引用工具。这项研究有望为