不平衡标签聚合模型

该研究提出了一种面向不平衡标签聚合的新模型，重点解决少数类检测问题。在真实世界数据中，标签分布往往严重失衡，多数类样本占据主导，导致传统聚合方法对少数类识别能力不足。论文通过对标签聚合过程的重新建模，增强了模型对少数类样本的敏感度与准确性，旨在改善机器学习在医疗诊断、欺诈检测等关键场景下的应用效果。相关工作已在arXiv上以预印本形式公开，作者包括Gabriel Singer等五人。 #机器学习 #不平衡标签 #少数类检测 #标签聚合 #arXiv #AI #数据科学

基于频率的储层计算方法新论文发布

arXiv平台近日上线了一篇题为《Frequency-Based Reservoir Computing》的研究论文，作者为Arthur S Powanwe。该论文提交于2026年7月27日，目前正在等待注册，尚未正式发表。论文聚焦于基于频率的储层计算技术，属于机器学习与计算神经科学交叉领域的前沿探索，为时间序列预测、信号处理等任务提供了新的理论视角。摘要中暂未披露具体实验细节或性能对比，但该研究方向有望提升传统储层计算对复杂动态系统的建模能力。论文提供PDF全文及HTML预览，并接受社区引用与讨论。 #机器学习 #储层计算 #频率 #学术论文 #arXiv

新论文提出代理估计诊断与调整方法，提升统计推断可靠性

近日，一篇题为“proxymate: Diagnosis and Adjustment of Proxy Estimates for Reliable Inference”的研究论文在arXiv预印本平台上发布。该研究由Alexandra N. M. Darmon等四位学者共同完成，投稿日期为2026年7月27日。论文聚焦于统计推断中代理变量估计的可靠性问题，提出了一种名为“proxymate”的新框架，用于系统诊断代理估计中的偏差，并对其进行调整，从而得到更稳健的推断结果。该方法有望在流行病学、经济学、社会科学等依赖代理变量进行因果推断的领域发挥重要作用。目前，论文的完整PDF及源码已通过arXiv开放获取，供研究人员参考与复现。 #arXiv #论文 #统计推断 #代理变量 #因果推断 #方法学 #科研新闻

新研究揭示核差异估计的极小极大下界

来自arXiv的一篇预印本论文，作者Jose Cribeiro-Ramallo等人，正式研究了核差异估计的极小极大下界问题，涵盖最大均值差异（MMD）、希尔伯特-施密特独立性准则（HSIC）和核Stein差异（KSD）三种常用统计量。该工作为这些核方法在假设检验与分布比较中的最优性提供了理论下限，有助于理解其统计效率和样本复杂度。论文于2026年7月27日提交，目前处于arXiv预印本状态，尚未正式发表。 #arXiv #核方法 #MMD #HSIC #KSD #统计学习 #极小极大下界

非平稳动态定价研究

arXiv平台近日收录了一篇题为《非平稳动态定价：自适应性与最优性》的学术论文。该研究由Feiyu Jiang等人完成，聚焦于市场需求动态变化场景下的定价策略优化问题。传统动态定价模型多假设市场环境平稳，而实际中消费者行为、竞争态势等因素常呈现非平稳特征。论文提出一种新型自适应定价算法，能在不依赖未来信息的前提下，动态调整价格以逼近最优收益，同时从理论上证明了该算法在非平稳环境中的性能上界。这一成果对电商、共享经济、机票酒店实时定价等领域具有重要理论指导意义，为应对不确定市场环境提供了可验证的解决方案。 #动态定价 #非平稳 #自适应算法 #最优性 #运筹学 #机器学习 #收益管理 #学术研究 #arXiv

随机森林分布分裂准则新研究

Silas Koemen 在 arXiv 上提交了题为《随机森林的分布分裂准则：扩展、收缩与均值分裂的鲁棒性》的论文，系统研究了随机森林算法中分裂准则的改进方法。该工作提出了分布分裂准则的多种扩展形式，深入分析了收缩策略在分裂过程中的作用，并验证了均值分裂方法在噪声环境下的鲁棒性。研究旨在提升随机森林模型的泛化能力和稳定性，为集成学习算法提供新的理论支撑。论文于2026年7月26日提交，相关代码和数据可通过arXiv平台获取。 #机器学习 #随机森林 #分裂准则 #论文 #arXiv #统计学 #计算机科学

从单条轨迹学习切换非线性动力系统

来自 arXiv 预印本的最新研究，Sunny G.W. Wang 与 Hemant Tyagi 提出了一种从单一轨迹中学习切换非线性动力系统的新方法。切换动力系统是描述复杂系统行为的重要模型，其状态在不同模式间动态切换。传统学习方法往往需要多条轨迹或大量数据，而该研究探索了在仅有单条观测序列时，如何有效辨识系统参数与切换模式。这项工作结合了非线性动力学与机器学习技术，有望在机器人控制、生物系统建模、自动驾驶等领域提供更高效的系统辨识方案。论文已发布于 arXiv，并提供了 PDF 版本供开放获取。 #arXiv #机器学习 #动力系统 #系统辨识 #非线性 #人工智能 #科研

Firefox 新标签页重大升级

Mozilla 为 Firefox 新标签页带来罕见升级，推出由 AI 新闻阅读器 Particle 驱动的每日填字游戏。该游戏自动提取当日关键新闻并生成谜题，线索均源自最新资讯，用户可随时点击相关文章查看上下文，并利用提示功能辅助作答。游戏每日更新，不仅限于浏览器内，还可通过直接链接在其他网页体验。Mozilla 希望通过此类将新闻消费与益智游戏结合的设计，让每次打开新标签页都能获得额外价值。目前该功能正逐步向全球用户推出，部分国家和地区已开放体验，早期用户可在 Firefox 153 及以上版本的 about:config 中手动启用。此举标志着 Mozilla 正将 AI 技术从实验室转化为用户日常场景，新标签页正从一个空白画布变为信息枢纽。在浏览器行业加速整合 AI 的浪潮中（如 Edge 集成 Copilot、Chrome 测试 Gemini 辅助），Firefox 这一更新旨在平衡隐私保护与技术创新的同时提升竞争力。 #Firefox #AI #填字游戏 #新标签页 #浏览器 #Mozilla #新闻游戏化 #科技资讯

双时间尺度分层强化学习研究提出弹性操作新方法

近日，arXiv 预印本平台公开了一项名为《Two-Timescale Hierarchical Reinforcement Learning for Resilient Operations》的研究。该论文由 Young Hyun Cho 等四位学者共同撰写，针对系统在复杂环境中应对突发干扰的需求，提出了双时间尺度分层强化学习框架。通过区分快慢两个时间尺度的决策，智能体能够在保持长期目标的同时对短期扰动做出快速调整，从而显著提升系统的弹性操作能力。该论文于 2026 年 7 月 26 日提交，尚未分配正式 DOI 编号。成果可为机器人控制、自动驾驶、智能电网等高鲁棒性场景提供理论支撑。目前全文已在 arXiv 开放获取。 #强化学习 #分层强化学习 #弹性操作 #arXiv #AI #机器学习 #机器人 #智能控制

Logit-Coordinate 生成模型

该研究提出一种名为 Logit-Coordinate 的生成模型，旨在解决同时包含连续和分类特征的混合类型表格数据生成问题。传统生成模型往往难以兼顾两类数据的分布特性，导致生成质量不佳。论文通过引入基于 logit 坐标变换的机制，能够统一处理连续与离散变量，并利用自回归或流模型等结构进行高效建模。实验结果表明，该方法在多个标准数据集上优于现有基准，显著提升了混合表格数据的生成真实性与可用性。该工作为表格数据合成、隐私保护数据发布等领域提供了新的技术路径。 #表格数据 #生成模型 #混合数据 #机器学习 #论文

arXiv 论文提出上下文自适应推理新框架，统一统计与基础模型方法

近日，一篇题为《Context-Adaptive Inference: A Unified Statistical and Foundation-Model View》的论文在 arXiv 预印本平台发布。该论文由 Yue Yao 等 11 位研究者共同完成，提出了一种统一的上下文自适应推理框架，旨在融合传统统计推理与现代大模型推理的优势。研究指出，不同上下文对推理策略的需求各异，通过动态选择或组合统计模型和基础模型，可显著提升推理的准确性与效率。该框架为复杂环境下的智能系统推理机制设计提供了新视角，论文全文已公开。 #人工智能 #推理 #大模型 #统计学习 #arXiv #学术论文

利用线性最小二乘法学习渐近性并保证收敛速率

近日，一篇题为《利用线性最小二乘法学习具有收敛速率保证的渐近性》的论文在arXiv上公开。该研究由Christos N. Efrem完成，提出了一种基于线性最小二乘的框架，用于学习序列或算法的渐近行为，并同时提供严格的收敛速率保证。传统渐近分析往往依赖手动推导或复杂理论，而该方法通过数据驱动的方式自动捕捉渐近规律，并确保估计的可靠性。这一成果有望在机器学习、数值优化和统计推断等领域中得到应用，为算法性能的自动分析和调优提供新的工具。论文现已开放PDF和HTML版本供下载。 #机器学习 #优化算法 #收敛速率 #渐近分析 #线性最小二乘 #论文 #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

FedSLIM：一种面向数据孤岛的隐私保护联邦描述性模式挖掘方法

近日，研究团队在arXiv上提交了名为FedSLIM的新方法，旨在通过联邦学习与最小描述长度（MDL）原理，在保护数据隐私的前提下实现跨数据孤岛的描述性模式挖掘。该方法允许各参与方在不共享原始数据的情况下，协同发现精准且高度可解释的模式，适用于金融、医疗等对数据隐私要求严格的场景。FedSLIM由Samar Khalil等人提出，为分布式数据分析提供了兼顾隐私与效率的新思路。 #FedSLIM #联邦学习 #隐私保护 #MDL #数据孤岛 #模式挖掘 #arXiv #学术动态

超越ICA

arXiv上预印本论文《Beyond ICA: Identifiability by Symmetry Breaking》由作者 Pengzhou Wu 提交。该研究针对独立成分分析（ICA）中固有的可辨识性问题，提出一种基于对称性破缺的新方法。传统ICA依赖于非高斯性和独立性假设，但在某些对称分布下无法唯一确定源信号。本文通过引入对称性破缺机制，突破经典限制，在更广泛的条件下实现源信号的可辨识性，为盲源分离领域提供了新的理论框架。该工作有望推动信号处理、机器学习等领域的相关应用。 #机器学习 #独立成分分析 #可辨识性 #对称性破缺 #信号处理 #arXiv #预印本

自适应多尺度预测与门定位共形预测新方法用于多元非平稳时间序列

近日，由Ziling Ma等四位作者合作的研究论文《Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series》在arXiv预印本平台发布。该研究针对多元非平稳时间序列预测中的不确定性量化难题，提出了一种结合自适应多尺度预测与门定位共形预测的创新框架。方法通过自适应分解不同时间尺度的特征，并利用门控机制定位局部共形预测区间，有效提升了预测的准确性和可靠性。该工作有望在金融、气象、能源等非平稳动态系统预测领域产生重要应用。 #机器学习 #时间序列 #不确定性量化 #共形预测 #自适应多尺度 #arXiv #论文

Operator Neural Jump ODEs 提出函数空间L²最优预测新方法

该论文由Florian Krach等三位作者撰写，于2026年7月25日提交至arXiv。研究提出了一种名为“Operator Neural Jump ODEs”的新框架，旨在函数空间中对具有不连续跳跃特性的动态系统进行L²最优预测。该方法融合了神经微分方程与跳跃过程建模，能够处理包含突发变动的高维时序数据，理论上保证了预测误差在L²范数意义下的最优性。该工作为科学计算、金融工程及轨迹预测等领域的函数空间建模提供了新的理论工具与算法路径。 #arXiv #NeuralODE #函数空间 #最优预测 #机器学习 #深度学习 #动态系统

新论文提出协方差增强高斯过程处理时空不规则性

一篇题为《Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities》的研究论文于2026年7月25日提交至arXiv预印本平台。该论文由Jeremy Ovadia独立撰写，提出了一种协方差增强的高斯过程方法，专门用于应对时空数据中的不规则性与异质性。传统高斯过程在处理非平稳、缺失或稀疏采样的时空观测时往往表现不佳，该研究通过改进协方差函数结构，使模型能更灵活地捕获复杂的时空依赖模式。论文目前提供PDF全文及HTML预览，并已通过DataCite获取arXiv分配的DOI（待注册）。这项研究有望为气象、环境科学、交通网络等领域的时空建模提供新的理论工具。 #arXiv #论文 #高斯过程 #时空数据 #机器学习 #统计学 #协方差 #AIForScience

噪声响应鲁棒共形选择新论文在arXiv上线

一篇题为《Robust Conformalized Selection with Noisy Responses》的学术论文于2026年7月25日在预印本平台arXiv发布。该论文由Chengyao Yu与另外两位研究者合作完成，聚焦含噪声响应下的共形选择问题，提出了一种鲁棒的共形选择方法，旨在提升不确定性量化领域在面对噪声数据时的稳健性。论文目前提供PDF全文与HTML预览，已提交DataCite进行DOI注册，可供相关领域研究者引用与讨论。 #arXiv #共形推断 #鲁棒统计 #噪声响应 #机器学习 #ChengyaoYu #论文 #2026 #预印本

懒训练助力二分类变量重要性识别

一项最新研究提出了一种基于懒训练的二分类变量重要性识别方法。该方法借鉴了神经网络在无限宽度下的神经切线核特性，通过分析模型在训练过程中的参数变化，高效识别对分类结果起关键作用的特征变量。与传统变量选择技术相比，该方法在保证计算效率的同时，能够更稳定地捕捉非线性关系，避免过拟合。实验表明，该方法在多个基准数据集上表现优异，为高维数据下的可解释性分析提供了新思路。 #机器学习 #二分类 #变量重要性 #懒训练 #论文 #AI #统计学习 #特征选择

隐马尔可夫模型助力LLM记忆依赖可靠性建模

一篇提交至arXiv的论文提出采用隐马尔可夫模型（HMM）对大型语言模型（LLM）的记忆依赖可靠性进行建模。该研究由Robab Aghazadeh Chakherlou等人完成，旨在揭示LLM在处理长序列任务时因记忆衰减导致的输出不一致问题。通过HMM捕捉模型内部状态的动态演化，研究人员能够评估和预测LLM在不同记忆条件下的可靠性表现，为提升其稳定性和可解释性提供了新的理论工具。该工作为理解LLM的行为退化机制开辟了新方向，未来有望应用于更可靠的AI系统设计。 #LLM #隐马尔可夫模型 #可靠性 #AI研究 #arXiv #记忆依赖 #模型稳定性