学习受控随机微分方程的新论文在arXiv发布
一篇题为《学习受控随机微分方程》的研究论文在arXiv预印本平台发布。该论文由Luc Brogat-Motte等人撰写，提交于2024年11月4日，并于2026年7月29日更新。研究聚焦于受控随机微分方程的学习方法，提供PDF、HTML及TeX源文件等多种访问方式。论文属于计算机科学与统计学交叉领域，当前浏览上下文显示为2024年11月的计算机科学和统计学分类。作者来自相关学术机构，论文附有NASA ADS、Google Scholar、Semantic Scholar等参考文献与引用链接，并支持BibTeX格式导出。研究内容可能对随机控制、机器学习等领域具有参考价值，全文可通过arXiv直接获取。 #随机微分方程 #机器学习 #计算科学 #统计学 #arXiv #论文 #学术研究
一篇题为《学习受控随机微分方程》的研究论文在arXiv预印本平台发布。该论文由Luc Brogat-Motte等人撰写，提交于2024年11月4日，并于2026年7月29日更新。研究聚焦于受控随机微分方程的学习方法，提供PDF、HTML及TeX源文件等多种访问方式。论文属于计算机科学与统计学交叉领域，当前浏览上下文显示为2024年11月的计算机科学和统计学分类。作者来自相关学术机构，论文附有NASA ADS、Google Scholar、Semantic Scholar等参考文献与引用链接，并支持BibTeX格式导出。研究内容可能对随机控制、机器学习等领域具有参考价值，全文可通过arXiv直接获取。 #随机微分方程 #机器学习 #计算科学 #统计学 #arXiv #论文 #学术研究
贝叶斯主动模型评估方法提出
由Paula Cordero Encinar等研究者提交的论文《BayesAME: Bayesian Active Model Evaluation》在arXiv平台发布。该研究提出了一种基于贝叶斯理论的主动模型评估方法，旨在提高机器学习模型评估的效率与准确性。通过主动选择最具信息价值的样本进行评估，该方法可显著减少评估所需的计算成本，同时保持评估结果的可靠性。论文提供了详细的算法推导与实验验证，展示了该方法在多个基准数据集上的优越性能。这一成果对模型选择、超参数调优以及资源受限场景下的模型评估具有重要参考价值。 #贝叶斯 #主动学习 #模型评估 #机器学习 #人工智能 #论文 #arXiv
由Paula Cordero Encinar等研究者提交的论文《BayesAME: Bayesian Active Model Evaluation》在arXiv平台发布。该研究提出了一种基于贝叶斯理论的主动模型评估方法，旨在提高机器学习模型评估的效率与准确性。通过主动选择最具信息价值的样本进行评估，该方法可显著减少评估所需的计算成本，同时保持评估结果的可靠性。论文提供了详细的算法推导与实验验证，展示了该方法在多个基准数据集上的优越性能。这一成果对模型选择、超参数调优以及资源受限场景下的模型评估具有重要参考价值。 #贝叶斯 #主动学习 #模型评估 #机器学习 #人工智能 #论文 #arXiv
面向无监督预训练与有监督神经知识图谱学习的统一统计理论
近日，一篇题为《Toward a Unified Statistical Theory of Unsupervised Pretraining and Supervised Neural Knowledge Graph Learning》的学术论文在arXiv预印本平台发布。该论文由Jifan Zhang等人撰写，试图为无监督预训练与有监督神经知识图谱学习构建一个统一的统计理论框架。研究团队通过理论分析，探讨了两种学习范式之间的内在联系，并尝试提出一种整合方法，以提升模型在知识图谱任务中的表现。该工作可能为理解预训练模型背后的统计原理以及优化知识图谱学习提供新的视角。 #arXiv #论文 #机器学习 #知识图谱 #统计理论 #无监督学习 #深度学习
近日，一篇题为《Toward a Unified Statistical Theory of Unsupervised Pretraining and Supervised Neural Knowledge Graph Learning》的学术论文在arXiv预印本平台发布。该论文由Jifan Zhang等人撰写，试图为无监督预训练与有监督神经知识图谱学习构建一个统一的统计理论框架。研究团队通过理论分析，探讨了两种学习范式之间的内在联系，并尝试提出一种整合方法，以提升模型在知识图谱任务中的表现。该工作可能为理解预训练模型背后的统计原理以及优化知识图谱学习提供新的视角。 #arXiv #论文 #机器学习 #知识图谱 #统计理论 #无监督学习 #深度学习
为AI编程代理打造代码库智能工具
开发团队为自主编程代理构建了一套轻量化代码库智能系统。传统代码图谱工具如CodeGraph虽然能解析仓库并构建函数、类和导入关系的图谱，但需要持续维护磁盘索引和后台监听器，对可能同时处理十多个项目的代理来说成本过高。团队最终设计了三层决策机制：小规模单文件编辑直接跳过图谱，中等任务只加载相关模块，复杂任务才建立完整图表。这种按需调用、用完即弃的设计避免了资源浪费。 在开发过程中，代理曾固执地认为文件系统损坏，反复调用list_dir却无视返回的干净结果，三家前沿大模型提供商都出现相同幻觉。团队从这类bug中获得了比原计划更有价值的代码智能优化经验。系统参考了2026年论文"检索即决策"的理念，将检索决策作为可训练的独立步骤而非固定流程。 #AI编程 #代码库智能 #开发工具 #机器学习 #软件工程 #技术优化
开发团队为自主编程代理构建了一套轻量化代码库智能系统。传统代码图谱工具如CodeGraph虽然能解析仓库并构建函数、类和导入关系的图谱，但需要持续维护磁盘索引和后台监听器，对可能同时处理十多个项目的代理来说成本过高。团队最终设计了三层决策机制：小规模单文件编辑直接跳过图谱，中等任务只加载相关模块，复杂任务才建立完整图表。这种按需调用、用完即弃的设计避免了资源浪费。 在开发过程中，代理曾固执地认为文件系统损坏，反复调用list_dir却无视返回的干净结果，三家前沿大模型提供商都出现相同幻觉。团队从这类bug中获得了比原计划更有价值的代码智能优化经验。系统参考了2026年论文"检索即决策"的理念，将检索决策作为可训练的独立步骤而非固定流程。 #AI编程 #代码库智能 #开发工具 #机器学习 #软件工程 #技术优化
Top-$k$ Pareto Bandits
近日，一篇题为《Top-$k$ Pareto Bandits: Hypervolume Regret for Multi-Objective Slate Selection》的论文在arXiv提交。该研究由Nicolas Gutowski等人完成，聚焦于多目标优化场景下的推荐列表（Slate）选择问题。传统方法往往只关注单一目标，而实际应用中（如广告推荐、新闻推送）需要同时平衡多个指标。论文提出了一种基于Pareto最优的Bandit算法框架，并创新性地引入超体积遗憾（Hypervolume Regret）作为性能指标，衡量算法在逐步探索中接近Pareto前沿的程度。理论分析证明，该算法在有限时间内的遗憾界优于现有方法，为多目标在线推荐系统提供了新的理论支撑和实用工具。 #论文 #多目标优化 #Bandit算法 #Pareto前沿 #Slate选择 #超体积 #机器学习 #推荐系统 #AI
近日，一篇题为《Top-$k$ Pareto Bandits: Hypervolume Regret for Multi-Objective Slate Selection》的论文在arXiv提交。该研究由Nicolas Gutowski等人完成，聚焦于多目标优化场景下的推荐列表（Slate）选择问题。传统方法往往只关注单一目标，而实际应用中（如广告推荐、新闻推送）需要同时平衡多个指标。论文提出了一种基于Pareto最优的Bandit算法框架，并创新性地引入超体积遗憾（Hypervolume Regret）作为性能指标，衡量算法在逐步探索中接近Pareto前沿的程度。理论分析证明，该算法在有限时间内的遗憾界优于现有方法，为多目标在线推荐系统提供了新的理论支撑和实用工具。 #论文 #多目标优化 #Bandit算法 #Pareto前沿 #Slate选择 #超体积 #机器学习 #推荐系统 #AI
随机化 k-means++ 聚类中心数量
一篇来自 arXiv 的论文《Randomizing the Number of Centers in k-means++》由 Vaclav Rozhon 提交，探讨了 k-means++ 聚类算法中中心点数量的随机化策略。传统 k-means++ 算法需预先指定聚类中心数量，而该研究提出一种随机化方法，允许在聚类过程中动态调整中心点数目，旨在提高算法对数据分布的适应性和鲁棒性。论文于 2026 年 7 月 28 日提交，目前提供 PDF 和 HTML 版本供查阅，相关代码和数据链接已附上。该方法有望在无监督学习领域简化参数选择，降低对人工先验知识的依赖，为大规模数据聚类提供新思路。 #机器学习 #聚类算法 #kmeans #论文 #arXiv #数据科学 #人工智能
一篇来自 arXiv 的论文《Randomizing the Number of Centers in k-means++》由 Vaclav Rozhon 提交，探讨了 k-means++ 聚类算法中中心点数量的随机化策略。传统 k-means++ 算法需预先指定聚类中心数量，而该研究提出一种随机化方法，允许在聚类过程中动态调整中心点数目，旨在提高算法对数据分布的适应性和鲁棒性。论文于 2026 年 7 月 28 日提交，目前提供 PDF 和 HTML 版本供查阅，相关代码和数据链接已附上。该方法有望在无监督学习领域简化参数选择，降低对人工先验知识的依赖，为大规模数据聚类提供新思路。 #机器学习 #聚类算法 #kmeans #论文 #arXiv #数据科学 #人工智能