SERUM
一篇题为“SERUM: State Extraction and Refinement for User Modeling”的学术论文于2026年7月31日提交至arXiv预印本平台。该论文由Andy J. Phu等四位作者共同完成，当前浏览上下文为计算机科学（cs）领域。论文标题直译为“SERUM：用户建模中的状态提取与精炼”，表明其研究聚焦于从用户行为或交互数据中提取并优化状态表示，以提升用户建模的准确性与泛化能力。该论文提供了PDF、HTML及TeX源码等多种访问方式，并关联了BibTeX引用、Google Scholar等学术工具。目前论文处于预印本阶段，尚未正式发表，但已引起相关领域研究者的关注。 #学术论文 #用户建模 #状态提取 #arXiv #计算机科学 #AI #机器学习
一篇题为“SERUM: State Extraction and Refinement for User Modeling”的学术论文于2026年7月31日提交至arXiv预印本平台。该论文由Andy J. Phu等四位作者共同完成，当前浏览上下文为计算机科学（cs）领域。论文标题直译为“SERUM：用户建模中的状态提取与精炼”，表明其研究聚焦于从用户行为或交互数据中提取并优化状态表示，以提升用户建模的准确性与泛化能力。该论文提供了PDF、HTML及TeX源码等多种访问方式，并关联了BibTeX引用、Google Scholar等学术工具。目前论文处于预印本阶段，尚未正式发表，但已引起相关领域研究者的关注。 #学术论文 #用户建模 #状态提取 #arXiv #计算机科学 #AI #机器学习
MBDiff：多视图行为感知扩散模型实现概率型效用数据插补
来自arXiv的一篇论文提出了一种名为MBDiff的新型概率数据插补模型。该模型全称为“多视图行为感知扩散模型”，旨在解决效用数据（如用户行为、消费记录等）中缺失值的概率性填充问题。研究团队由Rongchao Xu等五位学者组成。MBDiff将扩散模型应用于缺失数据生成，同时引入多视图信息（如不同数据源或特征维度）以及用户行为模式，从而在保留数据整体分布特征的同时，提升插补结果的准确性与鲁棒性。该工作有望为能源、金融、医疗等领域的缺失数据处理提供更可靠的解决方案。 #AI #机器学习 #扩散模型 #数据插补 #多视图 #行为感知 #论文 #arXiv
来自arXiv的一篇论文提出了一种名为MBDiff的新型概率数据插补模型。该模型全称为“多视图行为感知扩散模型”，旨在解决效用数据（如用户行为、消费记录等）中缺失值的概率性填充问题。研究团队由Rongchao Xu等五位学者组成。MBDiff将扩散模型应用于缺失数据生成，同时引入多视图信息（如不同数据源或特征维度）以及用户行为模式，从而在保留数据整体分布特征的同时，提升插补结果的准确性与鲁棒性。该工作有望为能源、金融、医疗等领域的缺失数据处理提供更可靠的解决方案。 #AI #机器学习 #扩散模型 #数据插补 #多视图 #行为感知 #论文 #arXiv
机器学习方法提升复杂离散选择任务决策能力分析
近日，一篇题为《机器学习方法在复杂离散选择任务中增强决策的分析》的论文在arXiv预印本平台发布。该研究由Sheng Lun Christine Cao等三位作者完成，系统探讨了如何利用机器学习技术优化个体在复杂离散选择情境下的决策过程。离散选择任务常见于经济学、交通规划、市场营销等领域，传统模型往往难以捕捉非线性偏好和交互效应。论文通过对比多种机器学习算法（如集成学习、神经网络等），揭示了它们在预测准确性和解释性上的优势与局限。研究指出，机器学习方法能够有效处理高维特征和复杂模式，从而提升决策支持系统的性能。该成果为行为建模和智能决策系统提供了新思路，有望推动相关领域的应用发展。 #机器学习 #决策分析 #离散选择 #arXiv #人工智能 #行为建模 #论文
近日，一篇题为《机器学习方法在复杂离散选择任务中增强决策的分析》的论文在arXiv预印本平台发布。该研究由Sheng Lun Christine Cao等三位作者完成，系统探讨了如何利用机器学习技术优化个体在复杂离散选择情境下的决策过程。离散选择任务常见于经济学、交通规划、市场营销等领域，传统模型往往难以捕捉非线性偏好和交互效应。论文通过对比多种机器学习算法（如集成学习、神经网络等），揭示了它们在预测准确性和解释性上的优势与局限。研究指出，机器学习方法能够有效处理高维特征和复杂模式，从而提升决策支持系统的性能。该成果为行为建模和智能决策系统提供了新思路，有望推动相关领域的应用发展。 #机器学习 #决策分析 #离散选择 #arXiv #人工智能 #行为建模 #论文
Fast Rates for Swap-Agnostic Learning of Proper Losses
一篇题为《Fast Rates for Swap-Agnostic Learning of Proper Losses》的论文于2026年7月30日提交至arXiv预印本平台。作者Princewill Okoroafor在论文中研究了适当损失函数（proper losses）下的交换不可知（swap-agnostic）学习问题，并推导出相应的快速收敛速率。该工作属于机器学习理论领域，可能对理解预测校准和决策理论中的损失函数性质有重要意义。论文目前以PDF和HTML格式提供，并附有BibTeX引用信息。 #机器学习 #损失函数 #交换不可知 #收敛速率 #arXiv #学术论文 #理论计算机科学
一篇题为《Fast Rates for Swap-Agnostic Learning of Proper Losses》的论文于2026年7月30日提交至arXiv预印本平台。作者Princewill Okoroafor在论文中研究了适当损失函数（proper losses）下的交换不可知（swap-agnostic）学习问题，并推导出相应的快速收敛速率。该工作属于机器学习理论领域，可能对理解预测校准和决策理论中的损失函数性质有重要意义。论文目前以PDF和HTML格式提供，并附有BibTeX引用信息。 #机器学习 #损失函数 #交换不可知 #收敛速率 #arXiv #学术论文 #理论计算机科学
PluRel-to-RDB-PFN
近日，一篇题为《PluRel-to-RDB-PFN: Schema-Guided Synthetic Relational Pretraining》的论文在arXiv上发布。该研究由Mohammad Sadeq Abolhasani等人提出，旨在通过模式引导的合成数据预训练，提升关系数据库（RDB）到某种表示形式的转换能力。论文中提出的方法利用模式信息生成合成关系数据，并采用预训练网络（PFN）进行学习，有望在数据库查询优化、数据集成等场景中发挥作用。目前该论文已提供PDF和HTML版本供学术社区参考。 #论文 #预训练 #关系数据库 #模式引导 #AI #机器学习 #数据库 #arXiv
近日，一篇题为《PluRel-to-RDB-PFN: Schema-Guided Synthetic Relational Pretraining》的论文在arXiv上发布。该研究由Mohammad Sadeq Abolhasani等人提出，旨在通过模式引导的合成数据预训练，提升关系数据库（RDB）到某种表示形式的转换能力。论文中提出的方法利用模式信息生成合成关系数据，并采用预训练网络（PFN）进行学习，有望在数据库查询优化、数据集成等场景中发挥作用。目前该论文已提供PDF和HTML版本供学术社区参考。 #论文 #预训练 #关系数据库 #模式引导 #AI #机器学习 #数据库 #arXiv
Adaptivity via a Parallel Architecture for Stochastic Gradient Methods
一篇题为“Adaptivity via a Parallel Architecture for Stochastic Gradient Methods”的论文由作者Bin Fu提交至arXiv预印本平台。该论文聚焦于随机梯度方法的自适应性，提出通过并行架构设计来提升优化算法的性能，有望在机器学习和大规模数据处理中加速收敛、提高稳定性。论文尚未正式分配DOI，但已提供PDF和HTML版本供学术社区浏览，相关浏览上下文标记为2026年7月的新提交。该研究属于计算机科学和数学交叉领域，为自适应随机梯度优化提供了新的并行化思路。 #arXiv #论文 #随机梯度 #并行架构 #自适应算法 #机器学习 #优化
一篇题为“Adaptivity via a Parallel Architecture for Stochastic Gradient Methods”的论文由作者Bin Fu提交至arXiv预印本平台。该论文聚焦于随机梯度方法的自适应性，提出通过并行架构设计来提升优化算法的性能，有望在机器学习和大规模数据处理中加速收敛、提高稳定性。论文尚未正式分配DOI，但已提供PDF和HTML版本供学术社区浏览，相关浏览上下文标记为2026年7月的新提交。该研究属于计算机科学和数学交叉领域，为自适应随机梯度优化提供了新的并行化思路。 #arXiv #论文 #随机梯度 #并行架构 #自适应算法 #机器学习 #优化
反思还是重新生成？为何LLM修订不如人类修订成功
近日，一篇题为《Reflection or Re-Generation? Why LLM Revision Fails Where Human Revision Succeeds》的论文在arXiv上发布，由Yefan Tao等作者共同完成。该研究聚焦于大型语言模型在文本修订任务中的表现差异。实验发现，人类能够高效地识别并修正文本错误，而LLM的修订往往效果不佳。论文指出，根本原因在于LLM倾向于进行“重新生成”而非真正的“反思”——即模型仅仅根据上下文重新生成一段文本，而非深入理解错误并进行针对性修正。这种机制上的差异导致LLM在需要精细调整的修订任务中明显落后于人类。该研究为理解LLM自我修正能力的局限性提供了新视角，并对未来改进模型的可控性提出了重要启示。 #LLM #文本修订 #反思 #重新生成 #自然语言处理 #AI #arXiv #论文 #机器学习
近日，一篇题为《Reflection or Re-Generation? Why LLM Revision Fails Where Human Revision Succeeds》的论文在arXiv上发布，由Yefan Tao等作者共同完成。该研究聚焦于大型语言模型在文本修订任务中的表现差异。实验发现，人类能够高效地识别并修正文本错误，而LLM的修订往往效果不佳。论文指出，根本原因在于LLM倾向于进行“重新生成”而非真正的“反思”——即模型仅仅根据上下文重新生成一段文本，而非深入理解错误并进行针对性修正。这种机制上的差异导致LLM在需要精细调整的修订任务中明显落后于人类。该研究为理解LLM自我修正能力的局限性提供了新视角，并对未来改进模型的可控性提出了重要启示。 #LLM #文本修订 #反思 #重新生成 #自然语言处理 #AI #arXiv #论文 #机器学习
arXiv 新研究
一篇名为《Curriculum Matters: Data-Efficient Relational PFN Pretraining with Synthetic Data》的论文于2026年7月31日提交至 arXiv。该论文由 Mohammad Sadeq Abolhasani 与合著者共同完成，研究聚焦于关系型 PFN（Prior-Fitted Networks）的预训练，并探讨利用合成数据提升训练的数据效率。论文标题明确指出“课程”（Curriculum）在预训练过程中的重要性，表明合理的课程安排可能对模型学习效率产生关键影响。目前 arXiv 页面提供了 PDF 与 HTML 全文链接，但尚未公开详细摘要，具体方法、实验设计与结论需查阅全文。 #arXiv #论文 #机器学习 #合成数据 #预训练 #PFN #深度学习 #AI
一篇名为《Curriculum Matters: Data-Efficient Relational PFN Pretraining with Synthetic Data》的论文于2026年7月31日提交至 arXiv。该论文由 Mohammad Sadeq Abolhasani 与合著者共同完成，研究聚焦于关系型 PFN（Prior-Fitted Networks）的预训练，并探讨利用合成数据提升训练的数据效率。论文标题明确指出“课程”（Curriculum）在预训练过程中的重要性，表明合理的课程安排可能对模型学习效率产生关键影响。目前 arXiv 页面提供了 PDF 与 HTML 全文链接，但尚未公开详细摘要，具体方法、实验设计与结论需查阅全文。 #arXiv #论文 #机器学习 #合成数据 #预训练 #PFN #深度学习 #AI
Gated Q-learning 论文提出离策略偏差新方法
据 arXiv 预印本信息，研究者 Brett Daley 发表了一篇题为《Gated Q-learning: Add Off-Policy Bias to Taste》的论文。该研究提出了一种名为 Gated Q-learning 的强化学习算法，在传统 Q-learning 框架中引入可调节的离策略偏差，以更灵活地控制学习过程中的偏差-方差权衡。通过门控机制，算法允许用户根据具体任务需求“品尝”不同水平的离策略偏差，从而在探索效率与收敛稳定性之间取得平衡。这项工作为强化学习中的 Q-learning 变体设计提供了新思路，有望推动相关算法在实际应用中的调优与部署。论文目前已在 arXiv 平台公开，并附有 PDF 全文及 BibTeX 引用信息。 #强化学习 #Q-learning #离策略学习 #arXiv #AI #机器学习 #算法
据 arXiv 预印本信息，研究者 Brett Daley 发表了一篇题为《Gated Q-learning: Add Off-Policy Bias to Taste》的论文。该研究提出了一种名为 Gated Q-learning 的强化学习算法，在传统 Q-learning 框架中引入可调节的离策略偏差，以更灵活地控制学习过程中的偏差-方差权衡。通过门控机制，算法允许用户根据具体任务需求“品尝”不同水平的离策略偏差，从而在探索效率与收敛稳定性之间取得平衡。这项工作为强化学习中的 Q-learning 变体设计提供了新思路，有望推动相关算法在实际应用中的调优与部署。论文目前已在 arXiv 平台公开，并附有 PDF 全文及 BibTeX 引用信息。 #强化学习 #Q-learning #离策略学习 #arXiv #AI #机器学习 #算法
StraightDP：面向整流流变换器的几何感知差分隐私方法
一篇题为“StraightDP: Geometry-Aware Differential Privacy for Rectified-Flow Transformers”的研究论文近日在arXiv平台提交。该研究由Xujun Che等学者完成，提出了一种名为StraightDP的几何感知差分隐私框架，旨在解决整流流（Rectified-Flow）变换器在训练和应用中的隐私保护问题。通过将几何信息与差分隐私机制相结合，该方法有望在保障数据隐私的同时维持模型生成性能，为生成式AI模型的隐私安全提供新的思路。论文已提供PDF及HTML版本，并可通过arXiv获取全文。 #arXiv #差分隐私 #整流流 #变换器 #AI #隐私保护 #研究论文
一篇题为“StraightDP: Geometry-Aware Differential Privacy for Rectified-Flow Transformers”的研究论文近日在arXiv平台提交。该研究由Xujun Che等学者完成，提出了一种名为StraightDP的几何感知差分隐私框架，旨在解决整流流（Rectified-Flow）变换器在训练和应用中的隐私保护问题。通过将几何信息与差分隐私机制相结合，该方法有望在保障数据隐私的同时维持模型生成性能，为生成式AI模型的隐私安全提供新的思路。论文已提供PDF及HTML版本，并可通过arXiv获取全文。 #arXiv #差分隐私 #整流流 #变换器 #AI #隐私保护 #研究论文
外科风险分层与结果预测的不足
一篇题为《What Is Missing in Surgical Risk Stratification and Outcome Prediction: A Scoping Review of End-to-End Machine Learning Approaches》的论文于2026年7月31日提交至arXiv预印本平台。该论文由Yizhi Dong等六位作者完成，旨在系统梳理端到端机器学习方法在外科风险分层和手术结果预测中的应用现状。研究通过范围综述的方式，识别现有文献中尚未被充分探索的关键缺口，包括数据质量、模型可解释性、临床部署可行性等方面。论文指出，尽管机器学习在医疗预测领域发展迅速，但针对外科手术场景的端到端模型仍存在标准化不足、外部验证缺乏等问题，未来研究需加强多中心协作与真实世界数据整合。 #外科 #机器学习 #风险分层 #结果预测 #范围综述 #arXiv #医疗AI
一篇题为《What Is Missing in Surgical Risk Stratification and Outcome Prediction: A Scoping Review of End-to-End Machine Learning Approaches》的论文于2026年7月31日提交至arXiv预印本平台。该论文由Yizhi Dong等六位作者完成，旨在系统梳理端到端机器学习方法在外科风险分层和手术结果预测中的应用现状。研究通过范围综述的方式，识别现有文献中尚未被充分探索的关键缺口，包括数据质量、模型可解释性、临床部署可行性等方面。论文指出，尽管机器学习在医疗预测领域发展迅速，但针对外科手术场景的端到端模型仍存在标准化不足、外部验证缺乏等问题，未来研究需加强多中心协作与真实世界数据整合。 #外科 #机器学习 #风险分层 #结果预测 #范围综述 #arXiv #医疗AI
DASH-OPD 新框架
来自 arXiv 的一项最新研究提出 DASH-OPD（Discrepancy-Aware Switching with Hysteresis for On-Policy Distillation）框架，旨在改进强化学习中的在线策略蒸馏效率。该方法通过差异感知切换机制动态评估教师与学生策略的分布差异，并结合滞回控制避免频繁或过早的模型切换，从而提升训练稳定性和样本利用率。论文作者 Yuchen Xia 等六人已在 arXiv 公开全文，并提供 PDF、HTML 及源码链接，感兴趣的读者可进一步查看。该研究为在线蒸馏策略的稳健设计提供了新思路，或对大规模智能体训练具有参考价值。 #机器学习 #强化学习 #策略蒸馏 #ArXiv #AI #论文
来自 arXiv 的一项最新研究提出 DASH-OPD（Discrepancy-Aware Switching with Hysteresis for On-Policy Distillation）框架，旨在改进强化学习中的在线策略蒸馏效率。该方法通过差异感知切换机制动态评估教师与学生策略的分布差异，并结合滞回控制避免频繁或过早的模型切换，从而提升训练稳定性和样本利用率。论文作者 Yuchen Xia 等六人已在 arXiv 公开全文，并提供 PDF、HTML 及源码链接，感兴趣的读者可进一步查看。该研究为在线蒸馏策略的稳健设计提供了新思路，或对大规模智能体训练具有参考价值。 #机器学习 #强化学习 #策略蒸馏 #ArXiv #AI #论文
联邦基础模型微调新方法
一篇题为《Federated Foundation Models Fine-Tuning with Heterogeneous Compressed Clients》的论文近日在arXiv预印本平台发布。该研究由Shengkun Zhu等八位作者共同完成，主要探讨在联邦学习框架下，如何利用异构压缩客户端对基础模型进行高效微调。联邦学习允许数据不出本地，但客户端设备计算能力和网络带宽差异巨大，传统方法难以兼顾模型精度与通信效率。该论文提出了一种针对异构压缩客户端的微调策略，旨在平衡各参与方的资源约束，同时保持基础模型在下游任务上的性能。研究有望推动大模型在隐私敏感场景中的实际部署，例如医疗、金融等领域。论文已提供PDF及HTML版本供学术社区参考。 #联邦学习 #基础模型 #模型微调 #异构计算 #压缩 #arXiv #人工智能 #隐私保护
一篇题为《Federated Foundation Models Fine-Tuning with Heterogeneous Compressed Clients》的论文近日在arXiv预印本平台发布。该研究由Shengkun Zhu等八位作者共同完成，主要探讨在联邦学习框架下，如何利用异构压缩客户端对基础模型进行高效微调。联邦学习允许数据不出本地，但客户端设备计算能力和网络带宽差异巨大，传统方法难以兼顾模型精度与通信效率。该论文提出了一种针对异构压缩客户端的微调策略，旨在平衡各参与方的资源约束，同时保持基础模型在下游任务上的性能。研究有望推动大模型在隐私敏感场景中的实际部署，例如医疗、金融等领域。论文已提供PDF及HTML版本供学术社区参考。 #联邦学习 #基础模型 #模型微调 #异构计算 #压缩 #arXiv #人工智能 #隐私保护