FileForge Finder 发布

FileForge Finder 是一款新兴的本地文件搜索工具，能够根据文件名及 PDF、Word 等文档内容进行快速检索。用户无需打开文档即可预览内容，标记敏感信息，并导出可防御的文档包。该工具完全运行在本地，不依赖任何云端服务或网络连接，以保障隐私安全。高级版本 FileForge Finder+ 还提供 OCR、批量重命名与归档功能，覆盖 Mac 与 Windows 平台。项目在 Hacker News 上展示，引发对本地高效搜索工具的关注。 #FileForgeFinder #本地搜索 #AI导出 #隐私保护 #文件管理 #HackerNews #效率工具 #文档搜索

Weighted Low-Rank Matrix Approximation: Acceleration and Applications

Focus to learn more arXiv-issued DOI via DataCite Submission history From: Elena Tuzhilina [ view email ] [v1] Wed, 22 Sep 2021 22:03:48 UTC (79 KB) [v2] Mon, 27 Jul 2026 14:28:53 UTC (1,894 KB) Full-text links: Access Paper: View a PDF of the paper titled Weighted Low-Rank Matrix Approximation: Acceleration and Applications, by Elena Tuzhilina and 1 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2021-09 Change to browse by: cs 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? ) Conn

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

ected 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? ) 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 .

从多个数据提供者中学习分布

一篇题为《Learning Distributions from Multiple Data Providers》的研究论文于2026年7月27日在arXiv预印本平台正式上线。该论文由Jon Kleinberg、Grigoris Velegkas等四位学者共同撰写，主要探讨在多个数据提供者场景下进行概率分布学习的问题。该研究涉及统计学习理论、分布式数据融合及隐私保护机制等前沿方向，对联邦学习、数据市场定价及安全多方计算等领域具有潜在的理论与实践意义。论文目前提供PDF和HTML格式免费下载，并已启用BibTeX引用、语法高亮及学术讨论工具等辅助功能，吸引了计算机科学与统计学界的广泛关注。 #arXiv #论文 #机器学习 #分布学习 #联邦学习 #数据提供者 #JonKleinberg #统计学习 #学术新闻 #数据融合

去偏机器学习

一篇题为《Debiased Machine Learning: Identification, Estimation, and Shape Constraints》的学术论文近期在arXiv预印本平台发布。该论文由Qihui Chen等三位作者撰写，主要探讨在机器学习模型中引入形状约束以解决偏差问题，并提出了相应的识别与估计方法。研究旨在提升模型在经济学、统计学等领域的应用可靠性。论文详细分析了去偏机器学习的技术框架，为处理复杂数据结构中的偏差提供了新思路。目前该论文已公开PDF全文，并接受学界评议。 #机器学习 #去偏估计 #形状约束 #经济学 #统计学 #arXiv #学术论文

基于高斯与扩散伽马先验的高维时空数据贝叶斯特征提取方法获arXiv收录

一篇题为《Bayesian Feature Extraction using Gaussian and Diffused-gamma Priors for High Dimensional Spatio-Temporal Data》的研究论文于2026年7月27日在arXiv平台提交，作者为Garrett Frady、Dipak K. Dey和Shariq Mohammed。该论文聚焦于高维时空数据的特征提取问题，提出了一种结合高斯先验与扩散伽马先验的贝叶斯框架。通过引入两种不同性质的先验分布，该方法旨在提升特征提取的鲁棒性与模型解释能力，适用于复杂时空结构的统计分析。论文目前已开放PDF全文，并提供引用、代码链接等研究支持工具，为相关领域学者提供了新的方法论参考。 #arXiv #贝叶斯 #特征提取 #高斯先验 #扩散伽马先验 #高维数据 #时空数据 #机器学习 #统计学 #新论文

设计矩阵零模式驱动过参数化回归中的多重下降

近日，一篇题为《The Zero Pattern of a Design Matrix Drives Multiple Descent in Over-parameterized Regression》的论文在arXiv预印本平台上线。该研究由Kevin Han Huang等三位作者完成，聚焦于过参数化线性回归中设计矩阵的零模式对多重下降（multiple descent）现象的驱动作用。论文通过理论分析表明，设计矩阵中零元素的分布模式直接决定了测试误差随模型复杂度变化时的多次下降与上升行为，为解释过参数化模型的泛化规律提供了新的理论依据。该成果对高维统计、机器学习理论以及深度学习的内在机制研究具有重要启示。 #机器学习 #过参数化 #回归分析 #设计矩阵 #多重下降 #arXiv #统计学习 #理论研究

在线PCA的相变依赖于n/d log(d)而非n/d

该论文重新审视了在线主成分分析（PCA）中的相变现象，指出统计学习效率的关键阈值并非传统认为的样本数n与维度d的比值n/d，而是n/(d log d)。作者通过理论分析与实验验证，揭示了在高维数据中，相变条件受维度对数项显著影响，从而修正了该领域长期以来的认识。这一发现对理解稀疏数据、神经网络训练以及高维统计推断具有重要指导意义。 #在线PCA #相变 #高维统计 #机器学习 #理论纠偏 #数据科学

物理信息神经网络用于预测一氧化二氮通量

一项新研究提出利用物理信息神经网络（PINNs）预测一氧化二氮（N₂O）通量，旨在提升这一主要温室气体排放估算的准确性与物理一致性。传统通量模型往往依赖经验参数，难以捕捉土壤生化过程的非线性动态。该方法将物理定律（如扩散反应方程）植入神经网络训练过程，使模型在拟合观测数据的同时遵循已知的物理约束。研究还通过实测数据集验证了模型在多个时空尺度上的表现，结果显示PINNs相比纯数据驱动方法具有更好的泛化能力和鲁棒性，尤其在数据稀疏区域优势明显。这一进展有望为农业减排策略和全球气候模型提供更可靠的支撑。 #物理信息神经网络 #一氧化二氮 #温室气体 #AI #环境科学 #深度学习 #气候变化 #模型预测

变分自编码器中潜在空间的软约束优化

近日，一篇题为《Soft-Constrained Optimization of Latent Space in Variational Autoencoders》的论文在arXiv上提交。该论文由Ye Shi撰写，聚焦于变分自编码器（VAE）中潜在空间的优化问题，提出了一种基于软约束的优化方法，旨在提升生成模型在潜在空间中的表征能力和生成质量。研究可能对深度学习中的生成模型、表征学习及贝叶斯推断等领域产生影响。目前论文已发布在arXiv上，供研究人员参考。 #变分自编码器 #VAE #潜在空间 #软约束 #优化 #生成模型 #机器学习 #人工智能 #论文

从各向异性高斯随机几何图中恢复潜在内积的新方法

Cheng Mao和Vidya Muthukumar在最新研究论文中探讨了如何从各向异性高斯随机几何图中恢复潜在内积的问题。该工作聚焦于高维统计与图模型的交叉领域，旨在利用图的结构信息准确还原隐藏的内积结构。论文于2026年7月26日提交至arXiv预印本平台，属于数学与统计方向。这一成果为随机图模型的理论分析提供了新思路，有望在社交网络、生物信息学等复杂网络分析中发挥应用价值。 #arXiv #论文 #随机图 #高维统计 #机器学习 #图模型 #内积恢复 #各向异性

入侵者阈值

近日，一篇题为《The Intruder Threshold: A Spectral Law for LoRA Fine-Tuning》的论文在arXiv平台正式发布，作者为Peng Xie，提交日期为2026年7月26日。该论文聚焦低秩适配（LoRA）微调方法，提出了一种名为“入侵者阈值”的谱定律，从矩阵谱分布的角度分析LoRA微调过程中的关键规律，为理解参数高效微调的内在机制提供了新的理论视角。这项研究有望进一步推动大型模型微调技术的发展，并为相关领域的实践提供理论指导。 #arXiv #LoRA #微调 #谱理论 #入侵者阈值 #机器学习 #深度学习 #参数高效微调 #AI #学术论文

打破总方差障碍：固定动作集线性异方差Bandit的尖锐样本复杂度

来自arXiv的一篇最新论文中，Heyang Zhao等学者针对固定动作集下的线性异方差多臂老虎机问题，提出了突破性的样本复杂度上界。传统方法受限于总方差屏障，而该研究通过新的算法与分析技术，首次实现了与总方差无关的尖锐界。这一理论结果不仅解决了长期存在的开放问题，也为在线决策、推荐系统等实际应用提供了更高效的探索-利用平衡策略。论文已被提交至arXiv，并开放PDF及HTML版本供下载。 #机器学习 #Bandit #样本复杂度 #异方差 #理论突破 #arXiv #算法 #在线学习 #统计学习

拓扑数据分析与图论方法助力网球比赛预测

一篇题为《拓扑数据分析和图论方法用于网球比赛预测》的研究论文近日在arXiv预印本平台上发布。该研究由Jake Schwaderer等六位作者共同完成，提交于2026年7月26日。论文探索了将拓扑数据分析与图论相结合的新思路，用于提升网球比赛结果的预测准确性。传统统计模型往往忽略比赛中的非线性结构关系，而该方法通过捕捉数据中的拓扑特征和网络交互模式，有望更全面地反映球员表现、对阵历史及比赛动态。研究为体育数据分析提供了跨学科视角，或将推动网球乃至其他竞技体育的智能预测系统发展。 #拓扑数据分析 #图论 #网球预测 #体育数据分析 #arXiv #学术论文 #机器学习

面向数据驱动问题的多阶段约束优化框架在arXiv发布

据arXiv平台信息，题为“A Multi-stage Constrained Optimization Framework for Data-driven Problems”的论文由Ye Shi于2026年7月26日提交。该论文提出了一种多阶段约束优化框架，专门针对数据驱动问题中的复杂约束挑战。框架通过分阶段策略，将数据信息与领域知识有效融合，提升了优化结果的质量与鲁棒性。目前论文的DOI正在注册中，并提供PDF及HTML版本供研究者查阅。这一工作有望对机器学习、运筹学和工程优化等领域产生积极影响。 #数据驱动 #约束优化 #机器学习 #arXiv #论文 #运筹学 #优化框架 #算法

A Statistical Difference between Single-Layer Learning and Hierarchical Learning in Wide Neural Networks

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Sumio Watanabe [ view email ] [v1] Sun, 26 Jul 2026 00:11:54 UTC (10 KB) Full-text links: Access Paper: View a PDF of the paper titled A Statistical Difference between Single-Layer Learning and Hierarchical Learning in Wide Neural Networks, by Sumio Watanabe 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 .

随时有效的协变量平衡确认方法

一篇题为《Anytime-Valid Confirmation of Covariate Balance for Prespecified Corrections》的论文在arXiv预印本平台发布，作者为Seungjin Choi。该研究提出了一种新方法，用于在因果推断或观察性研究中，实时验证协变量平衡是否满足预设修正的要求。传统方法往往依赖固定样本量的检验，而该工作引入“随时有效”的置信序列，允许研究者持续监测平衡性，无需预先指定停止时间。这对于保障修正策略的有效性、提升结果可靠性具有重要意义，尤其适用于大规模数据流或动态决策场景。论文还探讨了该方法在统计推断中的理论性质和应用前景。 #arXiv #统计学 #协变量平衡 #因果推断 #预设修正 #在线检验 #置信序列 #研究论文

语义观测核的识别与学习

arXiv 上近日公开了一篇由 Matthew Dixon 提交的研究论文，题为《语义观测核的识别与学习：部分观测、均匀恢复与极小极大极限》。该工作聚焦于在部分观测条件下如何识别并学习语义观测核，探讨了均匀恢复的可行性以及极小极大理论极限。研究为理解不确定环境下的核方法提供了新视角，对统计学习理论中部分观测系统的建模与分析具有潜在贡献。论文目前以预印本形式发布，可供学术界审阅。 #语义观测核 #部分观测 #均匀恢复 #极小极大 #统计学习 #arXiv #机器学习 #理论 #论文

论Gaffke界的阶条件最优性

一篇题为《On the Order-Conditional Optimality of Gaffke's Bound》的学术论文近日在 arXiv 平台发布。该论文作者为 George Bissias 与另一位合作者，提交日期为 2026 年 7 月 25 日。论文主要研究 Gaffke 界的阶条件最优性，属于数学、统计学与计算机科学交叉领域。目前 arXiv 已提供该论文的 PDF、HTML 及 TeX 源码版本，并附带多种学术引用和推荐工具，可供研究人员下载和参考。 #arXiv #论文 #数学 #统计学 #GaffkeBound #学术 #2026