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

AI工具在科技行业发现创纪录软件漏洞，数据库显示

据行业数据库最新报告，AI驱动的安全检测工具在科技行业中发现了数量空前的软件缺陷。这些工具利用机器学习和自动化代码分析能力，高效扫描海量程序，挖出了大量传统人工审计难以察觉的漏洞，涵盖了从底层系统到应用层的广泛范围。报告指出，这一纪录不仅体现了AI在漏洞发现领域的超越潜力，也凸显了当前软件复杂度对安全防护提出的严峻挑战。随着科技企业加速采用AI辅助安全工具，开发者需要在效率提升与误报管理之间寻找平衡，以强化整体数字生态的安全韧性。 #AI #软件漏洞 #网络安全 #科技行业 #自动化检测 #漏洞挖掘 #安全工具

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

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

联邦学习中多智能体隐私博弈的统一平均场视角

一篇发表于arXiv的论文提出了联邦学习中多智能体隐私博弈的统一平均场视角。研究由Kun Zhao等学者完成，旨在通过平均场博弈论框架，系统分析多个参与者在联邦学习场景下针对隐私保护与模型性能之间的策略互动。该方法将每个参与者的隐私预算视为博弈决策变量，利用平均场近似将高维复杂问题降维，从而推导出隐私保护与模型精度的理论均衡。研究结果表明，该统一视角能够有效解释现有隐私保护方案中的权衡关系，并为设计更高效的联邦学习隐私机制提供理论指导。 #联邦学习 #隐私博弈 #平均场理论 #多智能体 #机器学习 #隐私保护 #论文 #arXiv

All in One

一篇发表于arXiv的论文提出了一种将生成式建模重新诠释为平均场博弈设计的新框架。作者Kun Zhao等人认为，传统生成模型（如GAN、扩散模型）可统一看作在概率空间中的动态博弈过程，通过将生成问题映射为平均场博弈，可更简洁地描述生成器与判别器或噪音与数据之间的交互。该框架不仅为理解现有模型提供了新视角，还推导出新的训练算法，并在图像生成等任务上取得竞争性结果。研究有望推动生成式AI在理论上的统一与改进。 #生成式建模 #平均场博弈 #AI理论 #论文 #arXiv #机器学习 #图像生成

小批量噪声通过主导子空间波动降低锐度

据arXiv预印本平台显示，一项由Junho So等人提交的研究论文《Mini-batch Noise Lowers Sharpness via Dominant-Subspace Fluctuations》揭示了小批量梯度下降中的噪声如何影响模型泛化能力。该研究提出，小批量噪声通过主导子空间中的波动有效降低损失景观的锐度，从而提升模型在测试集上的表现。这一发现为理解深度学习优化中噪声与泛化性能的机制提供了新视角，有望推动更高效训练算法的设计。论文于2026年7月25日提交，目前可在arXiv上获取全文。 #深度学习 #优化 #小批量噪声 #泛化 #arXiv #论文 #AI #机器学习

储层计算回收动态规划计算过程，用于组合优化问题

来自东京工业大学等机构的研究人员提出一种新型计算框架，通过储层计算（Reservoir Computing）方法回收动态规划（Dynamic Programming）在组合优化问题中的计算过程。传统动态规划在处理大规模组合优化时往往面临指数级计算复杂度，而该研究利用储层计算的非线性动力学特性，将中间计算结果进行重用，从而显著降低重复计算开销。论文以组合优化中的典型问题为例，验证了该方法在保持求解质量的同时，能将计算时间减少数十倍。该工作为高效求解NP难问题提供了新思路，有望应用于物流调度、路径规划、资源分配等实际场景。相关论文已于2026年7月提交至arXiv预印本平台。 #储层计算 #动态规划 #组合优化 #计算效率 #arXiv #AI算法

基于对抗逆向强化学习的无标签工业故障检测

近期，一篇题为《基于对抗逆向强化学习的无标签工业故障检测：一种面向运行至故障预测的系统》的论文在arXiv上提交。该研究由Dhiraj Neupane等人完成，提出了一种无需人工标注标签的工业故障检测新方法。传统故障预测往往依赖大量带标签数据，而该工作通过对抗逆向强化学习，让系统自动学习设备正常运行与故障状态的差异，从而实现对“运行至故障”过程的精准预测。该方法有望降低数据标注成本，提高工业场景下故障预警的实时性和准确性，为智能制造中的预测性维护提供新思路。 #工业故障检测 #逆向强化学习 #无标签学习 #运行至故障 #预测性维护 #arXiv #AI工业应用

有限时域马尔可夫决策过程中自然策略梯度的有限时间分析论文发布

据arXiv预印本平台显示，一篇聚焦强化学习理论的重要论文于2026年7月25日正式提交。该论文题为《Finite-Time Analysis of the Natural Policy Gradient in Finite-Horizon Markov Decision Processes》，由Asha Barua等人合作完成。研究针对有限时域马尔可夫决策过程（MDP）中的自然策略梯度算法，进行了详尽的有限时间收敛性分析，从理论上为其性能提供了严格的边界保证。这项工作横跨计算机科学、数学和统计学等多个学科，为深入理解和改进自然策略梯度方法奠定了数学基础，有望推动强化学习理论的发展。目前论文全文已在arXiv开放获取，供相关领域研究者查阅。 #arXiv #论文 #强化学习 #自然策略梯度 #有限时间分析 #MDP #理论分析 #人工智能 #计算机科学

贝叶斯完全池化方法用于运动想象脑电跨主体分类

近日，一篇题为《Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram》的研究论文在arXiv平台预发布。该论文聚焦运动想象脑电图分类中常见的跨主体差异性挑战，提出采用贝叶斯完全池化策略，通过共享全部被试的统计信息来增强模型泛化能力。该方法有望在保留个体特征的同时提升整体分类稳定性，为脑机接口系统的跨用户应用提供更可靠的解决方案。论文作者为Ethan Davis，提交时间为2026年7月。 #贝叶斯方法 #运动想象 #脑电图 #跨主体分类 #脑机接口 #机器学习 #arXiv

Learned Interventions in Lean 4 grind

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Evan Wang [ view email ] [v1] Sat, 25 Jul 2026 00:42:04 UTC (38 KB) Full-text links: Access Paper: View a PDF of the paper titled Learned Interventions in Lean 4 grind, by Evan Wang and 3 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: cs 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 Litm

aps? ) 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 .

Verbalized Particle Posterior

该论文由Yan Zhang等人提交至arXiv，提出了一种名为"Verbalized Particle Posterior"的新方法，旨在将贝叶斯推断与自然语言假设相结合。传统贝叶斯方法通常依赖数值或符号表示，而本研究通过将后验分布“口头化”为粒子形式，使模型能够在自然语言空间中进行概率推理。这种方法允许系统直接对文本形式的假设进行不确定性量化，从而提升可解释性与灵活性。论文展示了该方法在多个自然语言任务上的潜力，为AI领域融合概率建模与语言理解提供了新思路。 #学术论文 #贝叶斯推断 #自然语言处理 #AI #arXiv #机器学习 #不确定性量化

公平波段算法新突破

一篇由Ibne Farabi Shihab等人撰写的学术论文提出了名为“差异舍入公平波段算法”的新方法，该算法在静态和时变曝光下限条件下均能有效运作。论文指出，在多臂赌博机框架下实现公平性通常涉及对臂的曝光率设定最小值，但现有算法在处理这些下限时存在效率或公平性不足的问题。新算法通过引入“差异舍入”技术，能够更精确地平衡探索与利用，在满足静态或动态变化的公平性约束的同时，最大化累计收益。理论分析证明该算法具有亚线性遗憾界，实验表明其在多种场景下优于现有方法，为推荐系统、资源分配等需要公平性保障的决策问题提供了新工具。 #论文 #机器学习 #算法 #公平性 #人工智能

频谱感知分析增量学习应对长尾分布

一项名为“频谱感知分析类增量学习”的新研究针对长尾分布问题提出解决方案。该方法通过分析数据频谱特性，在类增量学习场景中有效处理类别不平衡问题，避免了传统方法因分布偏移导致的性能下降。研究团队设计了一种分析性学习框架，无需存储旧样本即可持续学习新类别，同时保持对旧类知识的记忆。实验表明，该方法在多个长尾数据集上显著提升了分类准确性，尤其对尾部类别的识别效果突出。相关工作已提交至arXiv平台，可提供论文全文查阅。 #机器学习 #增量学习 #长尾分布 #类增量学习 #频谱分析 #人工智能 #论文

面向开源权重安全的分布特异性曲率控制方法

该研究提出一种针对开源权重模型安全性的新方法，通过分布特异性曲率控制实现有限样本保证。论文由Domenic Rosati等8位作者共同完成，于2026年7月24日提交至arXiv预印本平台。该方法旨在解决开源模型部署中的安全性问题，通过数学框架确保在有限样本条件下的性能可靠性，为开放权重模型的广泛应用提供了理论保障。 #AI安全 #开源模型 #曲率控制 #arXiv #机器学习

Transformer 优化中的隐藏边界运动

一项来自arXiv的新研究揭示了Transformer模型在优化过程中存在隐藏的边界运动现象。研究发现，在训练时，模型仿射变换的权重更新和偏置更新在函数空间中表现出正交化特性。这导致优化轨迹在参数空间中被约束，形成复杂边界，从而影响模型收敛速度和泛化能力。该发现为深入理解Transformer的优化动力学提供了新视角，对改进训练策略和加速模型调优具有潜在价值。 #Transformer #优化 #深度学习 #AI #机器学习

自适应梯度下降新方法

一篇最新研究论文提出了一种自适应梯度下降方法，通过利用单侧Hölder正则性来指导下降方向。该方法旨在解决传统梯度下降算法在非凸优化问题中收敛速度慢的问题。研究者从下降方向中学习，设计了能够动态调整步长的算法，从而在满足单侧Hölder条件的目标函数上实现更好的收敛性能。论文详细分析了该方法的理论保证，并通过实验验证了其在处理复杂优化任务时的有效性。这项研究为机器学习和优化领域提供了一种新的自适应策略，有望提升模型训练效率和效果。 #梯度下降 #优化算法 #机器学习 #自适应方法 #Hölder正则性

高效学习截断布尔乘积分布

该论文提出了一种高效学习截断布尔乘积分布的新方法，通过引入“影响力”度量来解决传统算法在此类分布上性能不足的问题。研究团队发现，当数据来自截断布尔乘积分布时，利用每个特征对输出变量的影响力可以显著提高学习效率。他们设计了一种基于影响力排序的特征筛选算法，能够在多项式时间内准确恢复分布参数，并从理论上证明了该算法在温和假设下的样本复杂度最优性。实验表明，该方法在合成数据和真实数据集上均优于现有基线模型，尤其在处理高维稀疏数据时表现出色。这一工作为机器学习中的截断分布学习提供了新的视角，有望推动相关领域如因果推断、异常检测和隐私保护数据分析的发展。 #机器学习 #截断分布 #布尔乘积分布 #影响力分析 #算法优化 #数据科学 #AI研究

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