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
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
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
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
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
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
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
摊销贝叶斯因果发现方法扩展至因子图结构
一篇题为《Amortized Bayesian Causal Discovery of Extended Factor Graphs》的学术论文近日在arXiv平台发布。该研究由Yichen Gu等四位作者共同完成，提出了一种基于摊销贝叶斯推断的因果发现框架，旨在从扩展因子图中高效、准确地识别因果关系。与传统方法相比，该框架通过摊销推理显著降低了计算复杂度，适用于高维和复杂结构的数据场景。研究团队在论文中展示了其方法的理论基础与实验验证，并提供了完整的代码与数据资源。该工作有望推动因果推断在生物信息学、统计学及机器学习等领域的应用，为探索复杂系统的内在因果机制提供了新工具。 #因果发现 #贝叶斯推断 #因子图 #机器学习 #AI #学术论文 #arXiv #数据科学
一篇题为《Amortized Bayesian Causal Discovery of Extended Factor Graphs》的学术论文近日在arXiv平台发布。该研究由Yichen Gu等四位作者共同完成，提出了一种基于摊销贝叶斯推断的因果发现框架，旨在从扩展因子图中高效、准确地识别因果关系。与传统方法相比，该框架通过摊销推理显著降低了计算复杂度，适用于高维和复杂结构的数据场景。研究团队在论文中展示了其方法的理论基础与实验验证，并提供了完整的代码与数据资源。该工作有望推动因果推断在生物信息学、统计学及机器学习等领域的应用，为探索复杂系统的内在因果机制提供了新工具。 #因果发现 #贝叶斯推断 #因子图 #机器学习 #AI #学术论文 #arXiv #数据科学
TLRNet：基于局部信息与单一学习器结构的个体治疗效果估计新方法
一篇题为《TLRNet: Estimating Individual Treatment Effect based on Local Information and Single Learner Structure》的论文于2026年7月23日提交至arXiv预印本平台。该论文由Ali Haghpanah Jahromi等人撰写，提出了一种名为TLRNet的新框架，旨在更准确地估计个体治疗效果（ITE）。传统方法通常依赖多个模型或全局假设，而TLRNet创新性地引入局部信息与单一学习器结构，能够在保留局部特征的同时简化训练流程。个体治疗效果估计是因果推断领域的核心问题，在精准医疗、政策评估和个性化推荐等场景中具有重要应用价值。该方法的提出有望推动因果推理在复杂数据环境下的实际部署。目前论文全文可在arXiv上获取，并附有相关代码与数据链接。 #因果推断 #个体治疗效果 #TLRNet #机器学习 #AI #精准医疗 #arXiv
一篇题为《TLRNet: Estimating Individual Treatment Effect based on Local Information and Single Learner Structure》的论文于2026年7月23日提交至arXiv预印本平台。该论文由Ali Haghpanah Jahromi等人撰写，提出了一种名为TLRNet的新框架，旨在更准确地估计个体治疗效果（ITE）。传统方法通常依赖多个模型或全局假设，而TLRNet创新性地引入局部信息与单一学习器结构，能够在保留局部特征的同时简化训练流程。个体治疗效果估计是因果推断领域的核心问题，在精准医疗、政策评估和个性化推荐等场景中具有重要应用价值。该方法的提出有望推动因果推理在复杂数据环境下的实际部署。目前论文全文可在arXiv上获取，并附有相关代码与数据链接。 #因果推断 #个体治疗效果 #TLRNet #机器学习 #AI #精准医疗 #arXiv
DiffTilt：指数倾斜引导扩散搜索，用于安全关键系统伪造
该研究提出了一种名为DiffTilt（Diffusion-Guided Search via Exponential Tilting）的新方法，将扩散模型与指数倾斜技术相结合，用于高效搜索安全关键系统中的反例（falsification）。传统方法在复杂、高维的连续状态空间中往往面临搜索效率低下的问题。DiffTilt通过扩散过程生成有偏的搜索方向，并利用指数倾斜调整采样分布，从而引导搜索更快地暴露系统违反安全性属性的行为。该方法在多个基准测试上表现优于现有算法，尤其适用于黑盒系统验证。这项工作为自动驾驶、航空航天等安全关键领域的自动化测试提供了新思路。 #arXiv #人工智能 #安全关键系统 #扩散模型 #指数倾斜 #伪造 #安全验证 #算法
该研究提出了一种名为DiffTilt（Diffusion-Guided Search via Exponential Tilting）的新方法，将扩散模型与指数倾斜技术相结合，用于高效搜索安全关键系统中的反例（falsification）。传统方法在复杂、高维的连续状态空间中往往面临搜索效率低下的问题。DiffTilt通过扩散过程生成有偏的搜索方向，并利用指数倾斜调整采样分布，从而引导搜索更快地暴露系统违反安全性属性的行为。该方法在多个基准测试上表现优于现有算法，尤其适用于黑盒系统验证。这项工作为自动驾驶、航空航天等安全关键领域的自动化测试提供了新思路。 #arXiv #人工智能 #安全关键系统 #扩散模型 #指数倾斜 #伪造 #安全验证 #算法
自提升视觉语言模型新方法
一篇来自 arXiv 的预印本论文提出了一种名为“含噪学生在线自蒸馏”的方法，用于自提升视觉语言模型。该方法受经典“含噪学生”训练策略启发，通过让学生模型在推理过程中引入噪声并自我蒸馏，在不依赖外部标注数据或更大教师模型的情况下，持续增强视觉语言模型的性能。实验表明，该技术能有效提升模型在多个视觉语言任务上的表现，且训练过程稳定。论文作者包括 Shuai Wang 等人，于 2026 年 7 月提交至 arXiv。这一方法为视觉语言模型的自我改进提供了低成本、高效的新路径，有望推动多模态 AI 的实用化进展。 #视觉语言模型 #自蒸馏 #含噪学生 #AI #多模态 #arXiv #论文 #机器学习
一篇来自 arXiv 的预印本论文提出了一种名为“含噪学生在线自蒸馏”的方法，用于自提升视觉语言模型。该方法受经典“含噪学生”训练策略启发，通过让学生模型在推理过程中引入噪声并自我蒸馏，在不依赖外部标注数据或更大教师模型的情况下，持续增强视觉语言模型的性能。实验表明，该技术能有效提升模型在多个视觉语言任务上的表现，且训练过程稳定。论文作者包括 Shuai Wang 等人，于 2026 年 7 月提交至 arXiv。这一方法为视觉语言模型的自我改进提供了低成本、高效的新路径，有望推动多模态 AI 的实用化进展。 #视觉语言模型 #自蒸馏 #含噪学生 #AI #多模态 #arXiv #论文 #机器学习
多头潜在注意力机制
最新arXiv预印本研究《Through the Bottleneck: How Multi-head Latent Attention Separates Content from Position in Language Models》探讨了多头潜在注意力（Multi-head Latent Attention）在语言模型中的运作机制。研究者通过理论分析和实验验证，揭示了该机制如何通过瓶颈结构实现内容信息与位置信息的有效分离。这一发现有助于理解Transformer架构中注意力头分工的本质，并为改进长文本建模、位置编码等方向提供新视角。论文由Dhruvil S等人提交，目前可通过arXiv获取全文。 #多头注意力 #语言模型 #位置编码 #注意力机制 #Transformer #arXiv #深度学习 #自然语言处理
最新arXiv预印本研究《Through the Bottleneck: How Multi-head Latent Attention Separates Content from Position in Language Models》探讨了多头潜在注意力（Multi-head Latent Attention）在语言模型中的运作机制。研究者通过理论分析和实验验证，揭示了该机制如何通过瓶颈结构实现内容信息与位置信息的有效分离。这一发现有助于理解Transformer架构中注意力头分工的本质，并为改进长文本建模、位置编码等方向提供新视角。论文由Dhruvil S等人提交，目前可通过arXiv获取全文。 #多头注意力 #语言模型 #位置编码 #注意力机制 #Transformer #arXiv #深度学习 #自然语言处理
Transformer 的熵界
一篇题为《The Entropic Bound for Transformers: Why Static Rank Fails and Attention-Native Rank Recovers》的论文在 arXiv 上预印发布。该研究揭示了 Transformer 模型中静态秩（static rank）指标在衡量表示能力时的根本局限——静态秩无法捕捉模型在自注意力机制下的动态信息流动，导致其与模型实际表达能力之间出现偏差。作者提出一种新的“注意力原生秩”（attention-native rank）概念，并推导出对应的熵界（entropic bound），证明该指标更能准确反映 Transformer 在序列建模中的信息压缩与恢复能力。实验表明，注意力原生秩在解释模型泛化、深度扩展及注意力头冗余等方面优于传统方法。这一工作为理解 Transformer 的内部工作机制提供了全新理论视角，有望指导更高效架构的设计。 #Transformer #熵界 #注意力机制 #静态秩 #注意力原生秩 #表示学习 #深度学习 #AI理论 #arXiv
一篇题为《The Entropic Bound for Transformers: Why Static Rank Fails and Attention-Native Rank Recovers》的论文在 arXiv 上预印发布。该研究揭示了 Transformer 模型中静态秩（static rank）指标在衡量表示能力时的根本局限——静态秩无法捕捉模型在自注意力机制下的动态信息流动，导致其与模型实际表达能力之间出现偏差。作者提出一种新的“注意力原生秩”（attention-native rank）概念，并推导出对应的熵界（entropic bound），证明该指标更能准确反映 Transformer 在序列建模中的信息压缩与恢复能力。实验表明，注意力原生秩在解释模型泛化、深度扩展及注意力头冗余等方面优于传统方法。这一工作为理解 Transformer 的内部工作机制提供了全新理论视角，有望指导更高效架构的设计。 #Transformer #熵界 #注意力机制 #静态秩 #注意力原生秩 #表示学习 #深度学习 #AI理论 #arXiv
MixQuant：面向大型语言模型的自适应混合精度量化研究发布
近期，一篇题为“MixQuant: Adaptive Mixed-Precision Quantization for Large Language Models”的学术论文在预印本平台arXiv上提交。该研究由Ashitabh Misra等人完成，聚焦大型语言模型（LLM）的高效部署问题。随着模型规模持续膨胀，计算与存储成本成为瓶颈，模型量化成为关键解决方案之一。MixQuant提出一种自适应混合精度量化方法，能够根据模型不同层与权重的重要性动态分配量化位宽，在显著压缩模型体积、降低推理延迟的同时，尽可能保留模型原有精度与性能。这一思路为LLM在资源受限设备上的落地提供了新的技术路径。目前论文已公开，提供PDF及HTML版本供学界与工业界参考，未来有望推动大模型的轻量化应用。 #大模型 #量化 #MixQuant #自适应混合精度 #AI #arXiv #学术前沿 #模型压缩
近期，一篇题为“MixQuant: Adaptive Mixed-Precision Quantization for Large Language Models”的学术论文在预印本平台arXiv上提交。该研究由Ashitabh Misra等人完成，聚焦大型语言模型（LLM）的高效部署问题。随着模型规模持续膨胀，计算与存储成本成为瓶颈，模型量化成为关键解决方案之一。MixQuant提出一种自适应混合精度量化方法，能够根据模型不同层与权重的重要性动态分配量化位宽，在显著压缩模型体积、降低推理延迟的同时，尽可能保留模型原有精度与性能。这一思路为LLM在资源受限设备上的落地提供了新的技术路径。目前论文已公开，提供PDF及HTML版本供学界与工业界参考，未来有望推动大模型的轻量化应用。 #大模型 #量化 #MixQuant #自适应混合精度 #AI #arXiv #学术前沿 #模型压缩
动态UBSR度量下的MDP在线策略评估研究
近日，一篇题为《Online Policy Evaluation for MDPs with Dynamic UBSR Measures》的论文在arXiv预印本平台发布。该研究由Weikai Wang等人完成，聚焦于马尔可夫决策过程（MDP）中的在线策略评估问题，提出了基于动态未知行为策略重要性采样比率（UBSR）的评估方法。传统策略评估通常依赖固定的行为策略，而该工作引入动态UBSR度量，允许在非平稳或在线更新场景下更灵活地估计目标策略的价值函数。论文可能为强化学习中离线与在线评估的衔接提供新思路，有助于提升样本效率和评估准确性。相关代码与数据已公开，研究受到领域内关注。 #arXiv #论文 #MDP #强化学习 #策略评估 #UBSR #机器学习 #AI
近日，一篇题为《Online Policy Evaluation for MDPs with Dynamic UBSR Measures》的论文在arXiv预印本平台发布。该研究由Weikai Wang等人完成，聚焦于马尔可夫决策过程（MDP）中的在线策略评估问题，提出了基于动态未知行为策略重要性采样比率（UBSR）的评估方法。传统策略评估通常依赖固定的行为策略，而该工作引入动态UBSR度量，允许在非平稳或在线更新场景下更灵活地估计目标策略的价值函数。论文可能为强化学习中离线与在线评估的衔接提供新思路，有助于提升样本效率和评估准确性。相关代码与数据已公开，研究受到领域内关注。 #arXiv #论文 #MDP #强化学习 #策略评估 #UBSR #机器学习 #AI