论文《Cohort-attention Evaluation Metrics for Tied Data》已被撤回
该论文由Dongjing Jiang等人撰写，标题为《Cohort-attention Evaluation Metrics for Tied Data》。根据arXiv上的提交记录，该论文最初于2025年3月17日发布，随后经历了多次版本更新，其中两个版本（2025年10月26日和2026年7月27日）均被标记为“已撤回”。当前页面显示，因撤回导致该版本无许可证，且撤回了上下文信息。论文主题涉及针对关联数据的队列注意力评估指标，但具体内容因撤回而无法访问。arXiv上保留了提交历史、元数据及外部链接（如PDF、BibTeX引用、相关工具等），但完整文本已不公开。 #论文撤回 #arXiv #学术动态 #队列注意力 #评估指标 #数据科学
该论文由Dongjing Jiang等人撰写，标题为《Cohort-attention Evaluation Metrics for Tied Data》。根据arXiv上的提交记录，该论文最初于2025年3月17日发布，随后经历了多次版本更新，其中两个版本（2025年10月26日和2026年7月27日）均被标记为“已撤回”。当前页面显示，因撤回导致该版本无许可证，且撤回了上下文信息。论文主题涉及针对关联数据的队列注意力评估指标，但具体内容因撤回而无法访问。arXiv上保留了提交历史、元数据及外部链接（如PDF、BibTeX引用、相关工具等），但完整文本已不公开。 #论文撤回 #arXiv #学术动态 #队列注意力 #评估指标 #数据科学
SCOPE-FE：通过质量感知候选空间缩减实现特征工程中算子与成对探索的结构化控制
arXiv上发布了一篇题为"SCOPE-FE"的论文，由Minhee Park、Seongyeon Son、Yonghyun Lee和Eunchan Kim共同撰写。该研究提出了一种结构化控制方法，用于特征工程中的算子与成对探索，核心创新在于通过质量感知候选空间缩减技术提高效率。论文详细介绍了该方法如何在不牺牲性能的前提下，自动缩减特征候选空间，从而加速机器学习模型的开发过程。该研究属于计算机科学与统计学交叉领域，相关代码、数据和其他资源通过arXiv平台提供了链接，包括HTML预览、TeX源文件及多种引用格式。论文版本历史显示，从2026年4月29日提交初版，到7月28日更新第二版，反映了作者的持续改进。该工作由韩国研究团队完成，为自动化特征工程提供了一种新的高效解决方案。 #特征工程 #机器学习 #AI #论文 #arXiv #数据科学 #自动化
arXiv上发布了一篇题为"SCOPE-FE"的论文，由Minhee Park、Seongyeon Son、Yonghyun Lee和Eunchan Kim共同撰写。该研究提出了一种结构化控制方法，用于特征工程中的算子与成对探索，核心创新在于通过质量感知候选空间缩减技术提高效率。论文详细介绍了该方法如何在不牺牲性能的前提下，自动缩减特征候选空间，从而加速机器学习模型的开发过程。该研究属于计算机科学与统计学交叉领域，相关代码、数据和其他资源通过arXiv平台提供了链接，包括HTML预览、TeX源文件及多种引用格式。论文版本历史显示，从2026年4月29日提交初版，到7月28日更新第二版，反映了作者的持续改进。该工作由韩国研究团队完成，为自动化特征工程提供了一种新的高效解决方案。 #特征工程 #机器学习 #AI #论文 #arXiv #数据科学 #自动化
标准Transformer在非参数回归中达到极小极大最优速率
近日，一篇由Yanming Lai和Defeng Sun共同撰写的学术论文提出，标准Transformer架构能够在目标函数属于$C^{s,\lambda}$类别的非参数回归问题中，达到统计学上的极小极大最优收敛速率。该研究从理论上证明了Transformer模型在处理此类平滑函数时的强大能力，不仅填补了相关理论空白，也为Transformer在更广泛的统计学习任务中的应用提供了坚实的理论基础。论文目前已在arXiv预印本平台上发布，并提供了完整的PDF文本供研究人员参考下载。 #Transformer #非参数回归 #极下界 #机器学习理论 #arXiv #统计学
近日，一篇由Yanming Lai和Defeng Sun共同撰写的学术论文提出，标准Transformer架构能够在目标函数属于$C^{s,\lambda}$类别的非参数回归问题中，达到统计学上的极小极大最优收敛速率。该研究从理论上证明了Transformer模型在处理此类平滑函数时的强大能力，不仅填补了相关理论空白，也为Transformer在更广泛的统计学习任务中的应用提供了坚实的理论基础。论文目前已在arXiv预印本平台上发布，并提供了完整的PDF文本供研究人员参考下载。 #Transformer #非参数回归 #极下界 #机器学习理论 #arXiv #统计学
TaylorPODA
来自Yuchi Tang等人的最新研究提出了一种名为TaylorPODA的新型可解释性方法。该方法针对当前深度学习模型解释技术中，对不透明（黑盒）模型进行事后归因时精度不足的问题，创新性地结合了泰勒展开理论与特征扰动技术。TaylorPODA通过在高维特征空间中沿关键方向进行局部泰勒近似，能够更准确地量化每个输入特征对模型决策的贡献程度。实验结果表明，该方法在多个图像分类和语言模型基准测试中，显著优于现有的LIME、SHAP等归因方法，尤其在处理模型决策边界附近的高度非线性区域时表现突出。该研究为理解并提升黑盒模型的透明度提供了新的理论工具和实用算法。 #AI #可解释性 #泰勒展开 #归因方法 #深度学习 #机器学习 #论文 #研究 #arXiv
来自Yuchi Tang等人的最新研究提出了一种名为TaylorPODA的新型可解释性方法。该方法针对当前深度学习模型解释技术中，对不透明（黑盒）模型进行事后归因时精度不足的问题，创新性地结合了泰勒展开理论与特征扰动技术。TaylorPODA通过在高维特征空间中沿关键方向进行局部泰勒近似，能够更准确地量化每个输入特征对模型决策的贡献程度。实验结果表明，该方法在多个图像分类和语言模型基准测试中，显著优于现有的LIME、SHAP等归因方法，尤其在处理模型决策边界附近的高度非线性区域时表现突出。该研究为理解并提升黑盒模型的透明度提供了新的理论工具和实用算法。 #AI #可解释性 #泰勒展开 #归因方法 #深度学习 #机器学习 #论文 #研究 #arXiv
Muon 优化器收敛性研究
一篇题为《论 Muon 优化器的收敛性分析》的预印本论文近日在 arXiv 平台提交，由 Wei Shen 等五位作者共同完成。该论文从数学角度系统分析了 Muon 优化器的收敛性质，Muon 是一种基于动量更新的优化算法，广泛应用于深度学习模型的训练。研究团队通过推导理论界，揭示了 Muon 在不同条件下的收敛行为，并与传统随机梯度下降算法进行了对比。论文提供了详细的数学证明和收敛速率分析，旨在为相关领域的理论和应用提供支撑。该研究已更新多个版本，最新版本于 2026 年 7 月发布，包含更完整的理论结果和数值实验。 #arXiv #Muon #优化算法 #深度学习 #收敛性分析 #机器学习 #理论研究
一篇题为《论 Muon 优化器的收敛性分析》的预印本论文近日在 arXiv 平台提交，由 Wei Shen 等五位作者共同完成。该论文从数学角度系统分析了 Muon 优化器的收敛性质，Muon 是一种基于动量更新的优化算法，广泛应用于深度学习模型的训练。研究团队通过推导理论界，揭示了 Muon 在不同条件下的收敛行为，并与传统随机梯度下降算法进行了对比。论文提供了详细的数学证明和收敛速率分析，旨在为相关领域的理论和应用提供支撑。该研究已更新多个版本，最新版本于 2026 年 7 月发布，包含更完整的理论结果和数值实验。 #arXiv #Muon #优化算法 #深度学习 #收敛性分析 #机器学习 #理论研究
Reinformed Dreamer
一篇题为《Reinformed Dreamer: An Asymmetric World Model Efficiently Trained through Latent Guidance》的论文已在 arXiv 预印本平台上发布。该研究由 Gaspard Lambrechts 等人完成，提出了一种名为“Reinformed Dreamer”的新型世界模型训练方法。该方法通过潜在引导（Latent Guidance）机制，实现了对非对称世界模型的高效训练。这一创新有望在强化学习与模型预测控制等领域提升模型学习效率与性能。论文提供了完整的 PDF 文本及源代码链接，并已获得 arXiv 平台收录。 #AI #机器学习 #强化学习 #世界模型 #论文
一篇题为《Reinformed Dreamer: An Asymmetric World Model Efficiently Trained through Latent Guidance》的论文已在 arXiv 预印本平台上发布。该研究由 Gaspard Lambrechts 等人完成，提出了一种名为“Reinformed Dreamer”的新型世界模型训练方法。该方法通过潜在引导（Latent Guidance）机制，实现了对非对称世界模型的高效训练。这一创新有望在强化学习与模型预测控制等领域提升模型学习效率与性能。论文提供了完整的 PDF 文本及源代码链接，并已获得 arXiv 平台收录。 #AI #机器学习 #强化学习 #世界模型 #论文
Sharpness-Aware Minimization 和 Muon 在谱范数下的鲁棒性研究
Wenzhi Zhong 等学者在预印本平台 arXiv 上提交了一篇论文，题为《Sharpness-Aware Minimization and Muon: Robustness under the Spectral Norm》。该研究聚焦于两种优化方法——Sharpness-Aware Minimization（SAM）和 Muon，探讨它们在谱范数框架下的鲁棒性表现。论文通过理论分析和实验验证，揭示了这两种方法在模型泛化能力与对抗扰动稳定性方面的特性。目前该论文已以 PDF 和 HTML 格式公开，并附带 BibTeX 引用数据，供学术界进一步研究参考。 #arXiv #机器学习 #优化算法 #SAM #Muon #鲁棒性 #论文
Wenzhi Zhong 等学者在预印本平台 arXiv 上提交了一篇论文，题为《Sharpness-Aware Minimization and Muon: Robustness under the Spectral Norm》。该研究聚焦于两种优化方法——Sharpness-Aware Minimization（SAM）和 Muon，探讨它们在谱范数框架下的鲁棒性表现。论文通过理论分析和实验验证，揭示了这两种方法在模型泛化能力与对抗扰动稳定性方面的特性。目前该论文已以 PDF 和 HTML 格式公开，并附带 BibTeX 引用数据，供学术界进一步研究参考。 #arXiv #机器学习 #优化算法 #SAM #Muon #鲁棒性 #论文
AI提取协变量偏差校正的Cox回归方法研究
近日，一篇题为《Bias-corrected Cox regression with AI-extracted covariates via calibration summary statistics》的论文在arXiv上预印发布。作者Arjun Sondhi提出了一种基于校准汇总统计量的新方法，用于校正由人工智能模型提取协变量时引入的估计偏差。在生存分析中，Cox比例风险模型常依赖协变量，但AI提取过程可能产生系统性偏差，导致风险比估计失真。该方法通过构造校准统计量，对原始协变量进行后处理校正，从而获得更无偏的回归系数。实验表明，该技术能有效降低偏差，提高模型可靠性，尤其适用于电子健康记录等大规模、高维数据场景。该研究为医疗、金融等领域的生存建模提供了更稳健的工具。 #学术论文 #AI #Cox回归 #偏差校正 #生存分析 #统计方法 #arXiv
近日，一篇题为《Bias-corrected Cox regression with AI-extracted covariates via calibration summary statistics》的论文在arXiv上预印发布。作者Arjun Sondhi提出了一种基于校准汇总统计量的新方法，用于校正由人工智能模型提取协变量时引入的估计偏差。在生存分析中，Cox比例风险模型常依赖协变量，但AI提取过程可能产生系统性偏差，导致风险比估计失真。该方法通过构造校准统计量，对原始协变量进行后处理校正，从而获得更无偏的回归系数。实验表明，该技术能有效降低偏差，提高模型可靠性，尤其适用于电子健康记录等大规模、高维数据场景。该研究为医疗、金融等领域的生存建模提供了更稳健的工具。 #学术论文 #AI #Cox回归 #偏差校正 #生存分析 #统计方法 #arXiv
促销零售需求感知的新方法
一篇题为《Contextual Deconvolution for Variance-Stable Demand Sensing: Kernel-Modulated Operators in Promotional Retail》的研究论文在arXiv预印本平台上发布。该研究由Mohammad Hossein Forouhesh Tehrani等人完成，提出了一种针对促销零售场景中需求感知问题的新方法。传统的需求预测模型在促销活动期间往往面临方差不稳定、信号受干扰等问题。该论文创新性地引入了“核调制算子”（Kernel-Modulated Operators）与“上下文反卷积”（Contextual Deconvolution）机制，旨在从杂乱的促销数据中分离出真实的用户需求信号，从而提升预测的准确性和稳定性。该方法为零售商在复杂促销环境下优化定价、库存管理和营销策略提供了新的理论支持。论文还提供了HTML、TeX源码等链接供读者查阅。 #arXiv #论文 #需求感知 #促销零售 #机器学习 #核调制 #上下文反卷积
一篇题为《Contextual Deconvolution for Variance-Stable Demand Sensing: Kernel-Modulated Operators in Promotional Retail》的研究论文在arXiv预印本平台上发布。该研究由Mohammad Hossein Forouhesh Tehrani等人完成，提出了一种针对促销零售场景中需求感知问题的新方法。传统的需求预测模型在促销活动期间往往面临方差不稳定、信号受干扰等问题。该论文创新性地引入了“核调制算子”（Kernel-Modulated Operators）与“上下文反卷积”（Contextual Deconvolution）机制，旨在从杂乱的促销数据中分离出真实的用户需求信号，从而提升预测的准确性和稳定性。该方法为零售商在复杂促销环境下优化定价、库存管理和营销策略提供了新的理论支持。论文还提供了HTML、TeX源码等链接供读者查阅。 #arXiv #论文 #需求感知 #促销零售 #机器学习 #核调制 #上下文反卷积
Barron空间中椭圆正则性理论及其在Deep Ritz方法中的应用
一篇由Stephan Wojtowytsch提交的学术论文于2026年7月发表在arXiv预印本平台。该论文系统研究了Barron空间中的椭圆正则性理论，并将其应用于Deep Ritz方法。Barron空间是一类与神经网络表示密切相关的函数空间，具有重要的理论意义。论文可能建立了该空间下的正则性结果，为基于深度学习的变分方法求解椭圆型偏微分方程提供了坚实的数学基础。Deep Ritz方法作为一种前沿的科学计算技术，在工程和物理问题中具有广泛应用。该研究有助于推动深度学习在科学计算中的理论发展，并提升相关方法的可靠性与效率。 #论文 #数学 #深度学习 #椭圆正则性 #Barron空间 #DeepRitz #偏微分方程 #科学计算 #arXiv
一篇由Stephan Wojtowytsch提交的学术论文于2026年7月发表在arXiv预印本平台。该论文系统研究了Barron空间中的椭圆正则性理论，并将其应用于Deep Ritz方法。Barron空间是一类与神经网络表示密切相关的函数空间，具有重要的理论意义。论文可能建立了该空间下的正则性结果，为基于深度学习的变分方法求解椭圆型偏微分方程提供了坚实的数学基础。Deep Ritz方法作为一种前沿的科学计算技术，在工程和物理问题中具有广泛应用。该研究有助于推动深度学习在科学计算中的理论发展，并提升相关方法的可靠性与效率。 #论文 #数学 #深度学习 #椭圆正则性 #Barron空间 #DeepRitz #偏微分方程 #科学计算 #arXiv
统一主动学习与半监督学习，助力医学图像分割
近期，一篇题为《Unifying Active Learning and Semi-Supervised Learning for Medical Image Segmentation》的论文在arXiv预印本平台发布。该论文由Bahram Jafrasteh等四位作者共同完成，提交于2026年7月27日。论文提出将主动学习与半监督学习相结合的新框架，旨在解决医学图像分析中标注数据稀缺的问题。通过统一两种策略，模型能够更高效地利用有限标注样本，提升分割精度。该研究有望降低医学影像领域的标注成本，推动AI辅助诊断的发展。 #医学图像分割 #主动学习 #半监督学习 #arXiv #论文 #AI医疗 #深度学习
近期，一篇题为《Unifying Active Learning and Semi-Supervised Learning for Medical Image Segmentation》的论文在arXiv预印本平台发布。该论文由Bahram Jafrasteh等四位作者共同完成，提交于2026年7月27日。论文提出将主动学习与半监督学习相结合的新框架，旨在解决医学图像分析中标注数据稀缺的问题。通过统一两种策略，模型能够更高效地利用有限标注样本，提升分割精度。该研究有望降低医学影像领域的标注成本，推动AI辅助诊断的发展。 #医学图像分割 #主动学习 #半监督学习 #arXiv #论文 #AI医疗 #深度学习
生成式分布鲁棒优化论文发布
近日，一篇题为《Generative Distributionally Robust Optimization》的研究论文提交至arXiv预印本平台。该论文由Ziwei Zhang等三位作者共同完成，于2026年7月27日首次发布。论文聚焦于生成式模型与分布鲁棒优化的交叉领域，旨在解决传统优化方法在数据分布偏移下性能退化的问题。通过引入生成式方法，研究者提出了一种新的框架，能够在不确定性环境下更有效地进行决策优化。该工作有望为机器学习、统计建模等领域提供更稳健的理论支撑，尤其在金融、医疗等高风险应用中具有潜在价值。论文目前提供PDF和HTML版本，并附有相关代码与数据链接，供学术界进一步探讨。 #论文 #arXiv #机器学习 #鲁棒优化 #生成式模型 #AI研究 #分布偏移
近日，一篇题为《Generative Distributionally Robust Optimization》的研究论文提交至arXiv预印本平台。该论文由Ziwei Zhang等三位作者共同完成，于2026年7月27日首次发布。论文聚焦于生成式模型与分布鲁棒优化的交叉领域，旨在解决传统优化方法在数据分布偏移下性能退化的问题。通过引入生成式方法，研究者提出了一种新的框架，能够在不确定性环境下更有效地进行决策优化。该工作有望为机器学习、统计建模等领域提供更稳健的理论支撑，尤其在金融、医疗等高风险应用中具有潜在价值。论文目前提供PDF和HTML版本，并附有相关代码与数据链接，供学术界进一步探讨。 #论文 #arXiv #机器学习 #鲁棒优化 #生成式模型 #AI研究 #分布偏移