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

固定效应因果森林异质性衰减问题获交叉拟合校正新方法

近日，一篇题为《Attenuated Heterogeneity in Fixed-Effects Causal Forests, and a Cross-Fitted Correction》的论文在arXiv预印本平台上线。作者Harry Aytug提交的该研究指出，在运用固定效应因果森林进行异质性处理效应估计时，可能会产生异质性衰减的问题，即估计的异质性程度被低估。为此，论文提出了一种交叉拟合（cross-fitting）校正技术，旨在修正这一偏差，从而提升因果推断的准确性与可靠性。该工作融合了计量经济学与机器学习方法，为面板数据等固定效应场景下的因果效应异质性分析提供了新思路。 #因果森林 #固定效应 #异质性 #交叉拟合 #计量经济学 #机器学习 #因果推断 #arXiv #预印本

Mirror Langevin diffusions: Convergence rates and Markov chain approximations

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Soumik Pal [ view email ] [v1] Fri, 24 Jul 2026 20:03:54 UTC (50 KB) Full-text links: Access Paper: View a PDF of the paper titled Mirror Langevin diffusions: Convergence rates and Markov chain approximations, by Benjamin Capdeville and 2 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: 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

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

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 .

SS-RS-GD 不等式获解决，Binghui Peng 提交论文

研究人员 Binghui Peng 于2026年6月16日在 arXiv 预印本平台提交了一篇题为“A Resolution of the SS--RS--GD Inequalities”的论文。该论文集中探讨了 SS、RS 和 GD 三类不等式的求解问题，这些不等式在数学、计算机科学与统计学等交叉领域具有重要理论价值。论文提供了 PDF 及 HTML 格式的全文，供学术界开放获取与查阅。这一成果有望为相关不等式理论的发展提供新的研究视角，并推动其在优化、概率论等方向的应用。 #BinghuiPeng #SSRSGD #不等式 #arXiv #数学 #计算机科学 #统计学 #研究