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

经典机器学习在表格数据上的缩放定律基准研究发布

据arXiv预印本平台信息，研究人员Kaihua Ding于2026年7月23日提交了一篇题为《Scaling Laws for Classical Machine Learning on Tabular Data: A Benchmark Study》的论文。该研究系统性地针对经典机器学习算法在表格数据上的缩放行为进行了基准测试，通过实验分析数据规模、模型复杂度及特征维度等维度对模型性能的影响。研究揭示了传统机器学习方法（如随机森林、XGBoost等）在表格任务中的缩放规律，为实际应用中的模型选择与资源分配提供了实证依据。目前该论文以预印本形式公开，正在等待DOI注册。 #机器学习 #表格数据 #缩放定律 #基准测试 #arXiv #预印本 #数据科学 #AI

Distributional Determinantal Point Process 提出新型排斥聚类方法

近期，一篇题为《Distributional Determinantal Point Process for Repulsive Clustering of Distributions》的学术论文在arXiv预印本平台发布。该研究由Khai Nguyen、Yang Ni、Elizabeth Juarez-Colunga和Peter Mueller共同完成，提出了一种基于分布行列式点过程（DDPP）的排斥聚类框架，旨在解决分布数据的聚类问题。传统聚类方法往往假设簇间相互独立，而DDPP通过引入行列式点过程，能够有效建模簇之间的排斥关系，避免过度重叠，从而生成更清晰、更符合实际分布结构的聚类结果。该方法在理论推导和实验验证上均表现出良好性能，为统计学习、数据科学以及相关领域提供了新的工具。论文已开放全文下载，并附有代码链接，供研究者复现和进一步探索。 #机器学习 #聚类算法 #行列式点过程 #统计学习 #arXiv #学术论文 #数据科学

新研究提出Trans-Unet模型，实现高保真3D点云脑折叠形态预测

一篇发表在arXiv预印本平台上的论文提出了一种名为Trans-Unet的深度学习框架，用于高保真3D点云学习，以预测大脑皮层折叠形态。大脑折叠形态是脑科学研究的核心指标之一，传统方法难以在三维空间中完整保留复杂的沟回结构。该研究将Transformer的全局注意力机制与U-Net的局部特征提取能力相结合，直接从3D点云数据中学习并预测皮层折叠形态。实验表明，该方法在准确性和结构保真度上显著优于现有技术，为理解脑发育、诊断神经退行性疾病以及术前规划等应用提供了新的分析工具。 #脑科学 #医学影像 #3D点云 #TransUnet #深度学习 #神经科学 #AI #论文

arXiv 论文：重建增强因果全方位网络 (RECON) 方法

一篇题为《重建增强因果全方位网络 (RECON)》的学术论文在 arXiv 预印本平台发布。该论文由 Praveen Niranda 等人撰写，主要提出了一种名为 RECON 的新型网络架构或方法。论文标题暗示其侧重于对增强型因果全方位网络的重建，可能涉及因果推断、图神经网络或全向通信等方向。目前该论文以 PDF 形式公开，并提供了 HTML、TeX 源码等浏览选项，供研究者查阅与引用。相关代码、数据及工具链接也已附上，便于复现与进一步探索。 #arXiv #论文 #因果网络 #RECON #全向网络 #机器学习 #数据科学

Longitudinal Random Forests 论文预印本上线，聚焦稀疏不规则轨迹分析

据arXiv平台最新动态，一篇题为“Longitudinal Random Forests for Sparse and Irregular Response Trajectories”的研究论文于2026年7月23日提交上线。该论文由Yangsheng Wang等四位作者完成，由Guifang Fu提交，全文共340KB。研究围绕纵向随机森林方法展开，专门针对稀疏、不规则响应轨迹的建模问题，有望在涉及动态观测数据的统计与机器学习领域引发关注。目前该预印本已开放PDF全文及HTML预览，并接受社区引用与讨论。 #机器学习 #随机森林 #纵向数据 #稀疏数据 #arXiv #预印本 #统计建模 #数据科学

A Defense of the Quadratic Model

Focus to learn more arXiv-issued DOI via DataCite Submission history From: Alexandru Meterez [ view email ] [v1] Thu, 23 Jul 2026 18:02:03 UTC (4,987 KB) Full-text links: Access Paper: View a PDF of the paper titled A Defense of the Quadratic Model, by Alexandru Meterez and 5 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: cs math stat References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps?

) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

Maximilian Dax 等学者发表论文

一篇题为《贝叶斯与频率派模拟推断的机器学习入门》的论文近日在 arXiv 预印本平台公开。论文由 Maximilian Dax 等三位作者撰写，系统介绍了如何利用机器学习技术改进传统贝叶斯与频率派统计推断中的模拟方法。文中详细阐述了基于神经网络的近似推断、模拟校准等前沿方法，旨在解决高维复杂模型下的计算瓶颈。该教程为物理、天文及统计领域的研究者提供了实用指南，有助于推动 AI 在科学计算中的深度应用。 #机器学习 #贝叶斯推断 #频率派统计 #模拟推断 #arXiv #AI #科学计算

自适应分布外检测中的自毒化现象

arXiv 上的一篇新论文揭示了自适应分布外（OOD）检测中的一个关键问题——自毒化（Self-Poisoning）。研究发现，当检测器基于先前数据动态调整时，其自身输出可能被错误地标记为分布外样本，从而影响系统性能。作者提出了一种锐阈值理论，精确描述了自毒化发生的条件，并开发了一种无需标签的认证校准方法，无需额外标注即可缓解该问题。该工作为构建更可靠的机器学习系统提供了理论依据，尤其适用于持续学习和自适应环境中的异常检测。 #自毒化 #分布外检测 #锐阈值理论 #无标签校准 #机器学习 #论文 #AI安全

CausalForge：形式化理论驱动的自改进因果推断自动化研究框架

近日，一篇题为《CausalForge: A Formally Grounded, Self-Improving Agentic Framework for Automated Research in Causal Inference》的论文在arXiv预印本平台发布。该研究由Jiyuan Tan等人提出，旨在构建一个形式化基础坚实、具备自我改进能力的智能体框架，用于因果推断领域的研究自动化。CausalForge通过将因果推断的形式化理论融入智能体系统，使其能够自主设计实验、分析数据并迭代优化研究流程。该框架有望加速因果推断领域的科研进展，降低人工实验成本，并提升研究结果的可靠性与可复现性。论文已提供PDF与HTML版本，供学术界参考。 #因果推断 #AI框架 #自动化研究 #智能体 #arXiv #因果科学 #机器学习 #科研自动化

基于图的凸优化方法生成相关矩阵

近日，一篇题为《Graph-Based Correlation Matrix Generation: A Convex Optimization Approach》的论文在arXiv预印本平台发布。该研究由Ali Fakhar（UGA）等学者共同完成，提出了一种基于图的凸优化框架来生成相关矩阵。传统相关矩阵估计常面临高维、稀疏数据或非正定问题，作者利用图结构先验信息，将相关矩阵生成转化为一个凸优化问题，从而在保证统计一致性的同时显著提升计算效率。实验表明，该方法在金融风险分析和生物网络推断等领域的合成与实际数据上均优于现有方法。论文目前以PDF和HTML形式开放获取，相关代码和数据链接也已提供，为后续研究和应用提供了可靠工具。 #论文 #机器学习 #凸优化 #相关矩阵 #图方法 #arXiv #AI #数据科学

从有限轨迹学习遍历动力系统研究登上arXiv

近日，一项关于从有限轨迹中学习遍历动力系统的研究在预印本平台arXiv发布。该论文由Oleksii Kachaiev等三位作者提交，题为“Learning Ergodic Dynamical Systems from a Finite Trajectory”。研究聚焦如何利用单条有限长度轨迹数据，推断遍历动力系统的内在动力学规律。遍历动力系统在物理学、生物学、经济学等领域具有广泛应用，但传统方法往往依赖大量数据。该工作为数据稀缺场景下的复杂系统建模提供了新思路，有望推动机器学习与动力系统交叉领域的发展。论文目前提供PDF及HTML版本供查阅。 #arXiv #论文 #动力系统 #遍历系统 #机器学习 #统计学 #科学研究 #计算机科学 #数据驱动

日本学者提出用异方差神经网络学习双向因果交互的新方法

据arXiv预印本平台信息，日本研究员Masahiro Tanaka于2026年7月24日提交了一篇题为《Learning Bidirectional Causal Interactions with Heteroscedastic Neural Networks》的论文。该研究尝试利用异方差神经网络模型对变量间的双向因果交互作用进行学习，涵盖计算机科学与统计学交叉领域。目前论文处于预印本阶段，DOI正在注册中，已提供PDF和HTML版本供学术界查阅。 #因果推断 #神经网络 #异方差 #双向因果 #arXiv #预印本 #机器学习 #统计学 #学术动态

谷歌发布3.5 Flash

谷歌今日推出三款新AI模型，包括Gemini 3.6 Flash、3.5 Flash-Lite和3.5 Flash Cyber。其中3.5 Flash-Lite被官方称为“最快、最具成本效益的3.5级模型”，每秒输出350个令牌，在代理式工作流程上显著优于前代。该模型现已率先在谷歌搜索中上线，主要用于代理搜索，未来还可能应用于AI概览和AI模式。谷歌表示，3.5 Flash-Lite在指令跟随和用户意图理解方面表现更强，对话更为流畅。目前该模型正在Gemini应用及谷歌搜索中向所有用户推送，进一步优化搜索的AI体验。 #谷歌 #AI #大模型 #Gemini #FlashLite #搜索 #科技新闻