论文《有限基漂移模型的有限探针全变差证书》提交至arXiv
一篇题为《有限基漂移模型的有限探针全变差证书》的学术论文于2026年8月3日提交至预印本平台arXiv，作者为Sam Andersson和Ricky Molén。该研究聚焦于机器学习与统计学习理论中的动态模型稳定性问题，提出了一种基于有限探针的全变差证书方法，旨在为有限基漂移模型提供理论上的保证。全变差证书是一种衡量分布差异的工具，而有限探针则代表着在有限采样条件下的评估。该成果可能对在线学习、自适应系统以及非平稳环境下的模型漂移检测与鲁棒性分析具有重要理论价值与实践意义。目前论文已提供PDF版本及HTML预览，相关代码与数据链接也已公开。 #arXiv #机器学习 #统计学习 #漂移模型 #全变差 #论文 #AI #理论计算机科学
一篇题为《有限基漂移模型的有限探针全变差证书》的学术论文于2026年8月3日提交至预印本平台arXiv，作者为Sam Andersson和Ricky Molén。该研究聚焦于机器学习与统计学习理论中的动态模型稳定性问题，提出了一种基于有限探针的全变差证书方法，旨在为有限基漂移模型提供理论上的保证。全变差证书是一种衡量分布差异的工具，而有限探针则代表着在有限采样条件下的评估。该成果可能对在线学习、自适应系统以及非平稳环境下的模型漂移检测与鲁棒性分析具有重要理论价值与实践意义。目前论文已提供PDF版本及HTML预览，相关代码与数据链接也已公开。 #arXiv #机器学习 #统计学习 #漂移模型 #全变差 #论文 #AI #理论计算机科学
新论文提出混合与回收样本策略，用于主导臂识别
一篇题为《Dominant Arm Identification with Mixing and Recycling Observed Samples》的研究论文近日在arXiv平台公开，作者为Jonghyun Sim等人。该工作聚焦统计决策与在线学习中的“主导臂识别”问题，提出一种通过混合并回收已观测样本来提升识别性能的方法。这类问题常见于多臂老虎机等场景，目标是在有限反馈下快速找出最优选项。论文目前提供PDF及HTML版本，尚未正式注册DOI，属预印本阶段。该研究或为强化学习、推荐系统等领域的样本利用效率提供新思路。 #arXiv #学术论文 #机器学习 #主导臂识别 #强化学习 #样本利用
一篇题为《Dominant Arm Identification with Mixing and Recycling Observed Samples》的研究论文近日在arXiv平台公开，作者为Jonghyun Sim等人。该工作聚焦统计决策与在线学习中的“主导臂识别”问题，提出一种通过混合并回收已观测样本来提升识别性能的方法。这类问题常见于多臂老虎机等场景，目标是在有限反馈下快速找出最优选项。论文目前提供PDF及HTML版本，尚未正式注册DOI，属预印本阶段。该研究或为强化学习、推荐系统等领域的样本利用效率提供新思路。 #arXiv #学术论文 #机器学习 #主导臂识别 #强化学习 #样本利用
模型无关的FDR控制
一篇题为“Model-Agnostic FDR Control via Group Gaussian Mirror and Permutation SHAP”的学术论文已在arXiv平台发布，由Jiaan Han与其他两位作者共同撰写，提交于2026年8月2日。该论文属于计算机科学（cs）与统计学（stat）交叉领域，目前已被列为2026年8月的最新研究。论文提出了一种模型无关的错误发现率（FDR）控制方法，结合组高斯镜像与排列SHAP技术，旨在解决高维统计推断和机器学习模型解释中的多重检验问题。该研究对变量选择、特征重要性评估等场景下的统计可靠性提升具有潜在意义。相关文献已在Google Scholar、Semantic Scholar等学术索引中收录，并可通过arXiv获取全文和TeX源码。 #arXiv #统计学 #FDR控制 #SHAP #机器学习 #论文 #科研
一篇题为“Model-Agnostic FDR Control via Group Gaussian Mirror and Permutation SHAP”的学术论文已在arXiv平台发布，由Jiaan Han与其他两位作者共同撰写，提交于2026年8月2日。该论文属于计算机科学（cs）与统计学（stat）交叉领域，目前已被列为2026年8月的最新研究。论文提出了一种模型无关的错误发现率（FDR）控制方法，结合组高斯镜像与排列SHAP技术，旨在解决高维统计推断和机器学习模型解释中的多重检验问题。该研究对变量选择、特征重要性评估等场景下的统计可靠性提升具有潜在意义。相关文献已在Google Scholar、Semantic Scholar等学术索引中收录，并可通过arXiv获取全文和TeX源码。 #arXiv #统计学 #FDR控制 #SHAP #机器学习 #论文 #科研
非结构化处理下的因果推断新论文在arXiv发布
一篇题为“Causal Inference with Unstructured Treatments”的论文近日在arXiv预印本平台上线。该论文由Kevin Christian Wibisono等人撰写，提交于2026年8月1日，旨在探讨当处理变量（treatment）为非结构化数据（如图像、文本、音频等）时如何进行因果推断。传统因果推断方法通常假设处理变量为结构化形式，而该研究提出新的理论框架，以应对非结构化处理带来的复杂性。论文还提供了PDF全文及HTML预览，并附有相关引用和工具链接。这项工作为因果推断领域开辟了新的研究方向，对人工智能、统计学等交叉学科具有重要理论价值。 #因果推断 #非结构化数据 #arXiv #机器学习 #论文 #人工智能 #统计学习
一篇题为“Causal Inference with Unstructured Treatments”的论文近日在arXiv预印本平台上线。该论文由Kevin Christian Wibisono等人撰写，提交于2026年8月1日，旨在探讨当处理变量（treatment）为非结构化数据（如图像、文本、音频等）时如何进行因果推断。传统因果推断方法通常假设处理变量为结构化形式，而该研究提出新的理论框架，以应对非结构化处理带来的复杂性。论文还提供了PDF全文及HTML预览，并附有相关引用和工具链接。这项工作为因果推断领域开辟了新的研究方向，对人工智能、统计学等交叉学科具有重要理论价值。 #因果推断 #非结构化数据 #arXiv #机器学习 #论文 #人工智能 #统计学习
超越基因重建
据arXiv预印本平台显示，研究人员提交了一篇题为《Beyond Gene Reconstruction: Learning Cell Representations through Complementary Transcriptomic Views》的论文。该研究提出了一种新的细胞表示学习框架，通过整合互补的转录组视图来捕获细胞状态，突破了传统基因重建方法的局限。这一方法有望提升单细胞转录组数据的分析精度，为细胞异质性研究提供更丰富的表征工具。论文目前处于arXiv系统处理阶段，相关代码和数据尚未公开。 #arXiv #单细胞转录组 #细胞表示学习 #生物信息学 #AI #基因重建
据arXiv预印本平台显示，研究人员提交了一篇题为《Beyond Gene Reconstruction: Learning Cell Representations through Complementary Transcriptomic Views》的论文。该研究提出了一种新的细胞表示学习框架，通过整合互补的转录组视图来捕获细胞状态，突破了传统基因重建方法的局限。这一方法有望提升单细胞转录组数据的分析精度，为细胞异质性研究提供更丰富的表征工具。论文目前处于arXiv系统处理阶段，相关代码和数据尚未公开。 #arXiv #单细胞转录组 #细胞表示学习 #生物信息学 #AI #基因重建
单侧分位数耦合用于流匹配方法
韩国学者Jin-Young Kim等人在arXiv上提交了一篇题为《One-Sided Quantile Coupling for Flow Matching》的论文，该论文于2026年8月2日发布。论文针对流匹配（Flow Matching）这一生成模型技术，提出了一种新的单侧分位数耦合方法，有望在数据生成质量和训练效率上带来改进。目前该论文已提供PDF预览及HTML版本，并附有BibTeX引用信息。相关研究代码与数据资源可通过arXiv平台获取，适用于对生成模型、概率分布耦合等领域感兴趣的科研人员。 #流匹配 #单侧分位数耦合 #生成模型 #arXiv #机器学习 #论文 #AI
韩国学者Jin-Young Kim等人在arXiv上提交了一篇题为《One-Sided Quantile Coupling for Flow Matching》的论文，该论文于2026年8月2日发布。论文针对流匹配（Flow Matching）这一生成模型技术，提出了一种新的单侧分位数耦合方法，有望在数据生成质量和训练效率上带来改进。目前该论文已提供PDF预览及HTML版本，并附有BibTeX引用信息。相关研究代码与数据资源可通过arXiv平台获取，适用于对生成模型、概率分布耦合等领域感兴趣的科研人员。 #流匹配 #单侧分位数耦合 #生成模型 #arXiv #机器学习 #论文 #AI
可解释机器学习助力沥青混凝土劈裂强度预测，SHAP分析揭示关键因素
沥青混凝土的劈裂强度是评价路面抗裂性能的重要指标，传统测试方法耗时费力且受限于试验条件。近日，一项研究将可解释机器学习应用于沥青混凝土劈裂强度的预测，并引入SHAP（Shapley加法解释）分析方法来解读模型决策过程。研究人员构建了多种机器学习模型，通过输入材料组成与试验条件等特征进行训练，发现模型能够较准确地预测劈裂强度。同时，SHAP分析有效识别出影响强度的关键因素，如沥青用量、空隙率及试验温度等，提升了模型的可信度与实用价值。该方法不仅提高了预测效率，还为工程人员优化配合比设计、提升路面耐久性提供了数据驱动的参考。相关论文由Jianglei Xing等学者撰写，已在arXiv平台预印发布。 #机器学习 #SHAP #沥青混凝土 #劈裂强度 #道路工程 #可解释AI
沥青混凝土的劈裂强度是评价路面抗裂性能的重要指标，传统测试方法耗时费力且受限于试验条件。近日，一项研究将可解释机器学习应用于沥青混凝土劈裂强度的预测，并引入SHAP（Shapley加法解释）分析方法来解读模型决策过程。研究人员构建了多种机器学习模型，通过输入材料组成与试验条件等特征进行训练，发现模型能够较准确地预测劈裂强度。同时，SHAP分析有效识别出影响强度的关键因素，如沥青用量、空隙率及试验温度等，提升了模型的可信度与实用价值。该方法不仅提高了预测效率，还为工程人员优化配合比设计、提升路面耐久性提供了数据驱动的参考。相关论文由Jianglei Xing等学者撰写，已在arXiv平台预印发布。 #机器学习 #SHAP #沥青混凝土 #劈裂强度 #道路工程 #可解释AI
数据驱动弹球损失选择
近日，一篇题为《Data-Driven Pinball-Loss Selection for Vertically Distributed Elastic-Net SVMs》的论文在arXiv平台发布。该研究针对垂直分布式数据场景下的弹性网络支持向量机（SVM），提出了一种数据驱动的弹球损失函数自动选择方法。传统SVM在非对称分布或异常值敏感时表现欠佳，而弹球损失函数可增强鲁棒性，但需手动调参。作者通过引入数据驱动机制，使模型能根据数据分布自动优化损失函数参数，从而提升分类性能与泛化能力。实验表明，该方法在多个基准数据集上优于固定损失函数策略，为分布式机器学习中的模型选择提供了新思路。 #机器学习 #支持向量机 #弹性网络 #弹球损失 #数据驱动 #分布式计算 #论文 #arXiv
近日，一篇题为《Data-Driven Pinball-Loss Selection for Vertically Distributed Elastic-Net SVMs》的论文在arXiv平台发布。该研究针对垂直分布式数据场景下的弹性网络支持向量机（SVM），提出了一种数据驱动的弹球损失函数自动选择方法。传统SVM在非对称分布或异常值敏感时表现欠佳，而弹球损失函数可增强鲁棒性，但需手动调参。作者通过引入数据驱动机制，使模型能根据数据分布自动优化损失函数参数，从而提升分类性能与泛化能力。实验表明，该方法在多个基准数据集上优于固定损失函数策略，为分布式机器学习中的模型选择提供了新思路。 #机器学习 #支持向量机 #弹性网络 #弹球损失 #数据驱动 #分布式计算 #论文 #arXiv
新研究提出 xMICD 方法，助力多 ICD 编码可解释表示
一篇题为《xMICD: Explainable Representation of Multiple ICD Codes》的论文日前在 arXiv 预印本平台提交，作者为 Pat Vatiwutipong 与另外六位研究者，提交人为 Thanapon Noraset。ICD 即国际疾病分类，是医疗领域广泛使用的标准化诊断编码体系，用于将疾病、症状等信息转化为代码，对医疗记录、统计分析及保险理赔等环节至关重要。随着医疗人工智能的发展，如何让模型在处理多组 ICD 编码时具备清晰的可解释性，成为研究热点。从论文标题来看，xMICD 方法聚焦于多 ICD 编码的可解释表示，可能有望提升临床编码预测的透明度与可靠性，帮助医生和研究人员理解模型决策依据。目前该论文已提供 PDF 与 HTML 预览，并处于相关元数据注册阶段。相关研究或对未来医疗信息处理和智能诊断系统的发展产生积极影响。 #arXiv #医学编码 #ICD #可解释AI #机器学习 #医疗信息学 #自然语言处理 #论文
一篇题为《xMICD: Explainable Representation of Multiple ICD Codes》的论文日前在 arXiv 预印本平台提交，作者为 Pat Vatiwutipong 与另外六位研究者，提交人为 Thanapon Noraset。ICD 即国际疾病分类，是医疗领域广泛使用的标准化诊断编码体系，用于将疾病、症状等信息转化为代码，对医疗记录、统计分析及保险理赔等环节至关重要。随着医疗人工智能的发展，如何让模型在处理多组 ICD 编码时具备清晰的可解释性，成为研究热点。从论文标题来看，xMICD 方法聚焦于多 ICD 编码的可解释表示，可能有望提升临床编码预测的透明度与可靠性，帮助医生和研究人员理解模型决策依据。目前该论文已提供 PDF 与 HTML 预览，并处于相关元数据注册阶段。相关研究或对未来医疗信息处理和智能诊断系统的发展产生积极影响。 #arXiv #医学编码 #ICD #可解释AI #机器学习 #医疗信息学 #自然语言处理 #论文
UpliftBench新基准揭示Uplift评估中的结果机制与目标失配
据arXiv论文显示，研究者Binshuang Li提交了题为《UpliftBench: Revealing Outcome-Regime and Objective Mismatch in Uplift Evaluation》的论文。该工作提出一个名为UpliftBench的新基准，用于系统评估提升建模（Uplift Modeling）中的评估方法。论文聚焦于“结果机制”（Outcome-Regime）与“优化目标”（Objective）之间的不匹配问题，指出现有评估指标在不同结果分布或业务目标下可能产生误导性结论。通过构建统一基准，作者尝试揭示当前评估协议中的潜在缺陷，并为后续研究提供更可靠的比较框架。该论文于2026年8月2日首次提交，目前提供PDF与HTML版本供阅读。 #arXiv #UpliftBench #提升建模 #因果推断 #机器学习 #评估基准
据arXiv论文显示，研究者Binshuang Li提交了题为《UpliftBench: Revealing Outcome-Regime and Objective Mismatch in Uplift Evaluation》的论文。该工作提出一个名为UpliftBench的新基准，用于系统评估提升建模（Uplift Modeling）中的评估方法。论文聚焦于“结果机制”（Outcome-Regime）与“优化目标”（Objective）之间的不匹配问题，指出现有评估指标在不同结果分布或业务目标下可能产生误导性结论。通过构建统一基准，作者尝试揭示当前评估协议中的潜在缺陷，并为后续研究提供更可靠的比较框架。该论文于2026年8月2日首次提交，目前提供PDF与HTML版本供阅读。 #arXiv #UpliftBench #提升建模 #因果推断 #机器学习 #评估基准
AOSpec: 低延迟智能体服务中的动作与观察协同推测方法
据arXiv论文记录，一篇题为"AOSpec: Action and Observation Co-Speculation for Low-Latency Agent Serving"的学术论文于2026年8月1日提交。该论文由Hao Mark Chen等四位作者撰写，提出了一种动作与观察协同推测的框架，旨在降低智能体服务中的响应延迟。论文通过协同推测机制，优化了智能体在实时交互中动作与观察的并行处理效率，从而提升服务性能。目前，该论文的PDF全文已在arXiv平台开放获取，并附有HTML预览和TeX源码。 #AI #智能体 #低延迟 #arXiv #学术论文 #服务优化
据arXiv论文记录，一篇题为"AOSpec: Action and Observation Co-Speculation for Low-Latency Agent Serving"的学术论文于2026年8月1日提交。该论文由Hao Mark Chen等四位作者撰写，提出了一种动作与观察协同推测的框架，旨在降低智能体服务中的响应延迟。论文通过协同推测机制，优化了智能体在实时交互中动作与观察的并行处理效率，从而提升服务性能。目前，该论文的PDF全文已在arXiv平台开放获取，并附有HTML预览和TeX源码。 #AI #智能体 #低延迟 #arXiv #学术论文 #服务优化
GeoArbiter：可验证性引导的遥感多模态大模型定位方法
近日，arXiv上预印了一篇题为《GeoArbiter: Verifiability-Guided Grounding for Remote-Sensing Multimodal LLMs》的论文，由Xuechen Li提交。该研究针对遥感领域多模态大模型在复杂场景中定位不准确的问题，提出了一种基于可验证性引导的定位框架GeoArbiter。该方法通过引入可验证性机制，有效约束模型对地理空间信息的理解与生成，提升在遥感图像上的目标定位精度与可信度。论文还探讨了如何将可验证性融入多模态大模型的推理过程，以增强模型在军事、城市规划、灾害监测等应用中的可靠性。该工作为遥感与AI的交叉研究提供了新思路，有望推动多模态大模型在遥感领域的实用化进程。 #遥感 #多模态大模型 #GeoArbiter #可验证性 #AI #计算机视觉 #论文 #arXiv
近日，arXiv上预印了一篇题为《GeoArbiter: Verifiability-Guided Grounding for Remote-Sensing Multimodal LLMs》的论文，由Xuechen Li提交。该研究针对遥感领域多模态大模型在复杂场景中定位不准确的问题，提出了一种基于可验证性引导的定位框架GeoArbiter。该方法通过引入可验证性机制，有效约束模型对地理空间信息的理解与生成，提升在遥感图像上的目标定位精度与可信度。论文还探讨了如何将可验证性融入多模态大模型的推理过程，以增强模型在军事、城市规划、灾害监测等应用中的可靠性。该工作为遥感与AI的交叉研究提供了新思路，有望推动多模态大模型在遥感领域的实用化进程。 #遥感 #多模态大模型 #GeoArbiter #可验证性 #AI #计算机视觉 #论文 #arXiv
Kilobyte Models
该论文提出了一种名为“千字节模型”（Kilobyte Models）的新型神经网络架构，将神经网络本身视为一个“种子”，并通过量化潜变量实现高效表示与推理。与传统深度学习模型不同，该方法将模型参数压缩至极小规模，仅需千字节级别的存储，同时保持较强的表达能力。研究者通过实验验证，该模型在图像分类、文本生成等任务上能够以极低资源开销达到接近大型模型的性能，为边缘计算、低功耗设备上的AI部署提供了新思路。论文还探讨了量化潜变量如何作为模型的“遗传密码”，在保持架构灵活性的同时大幅降低内存与计算负担。该工作发表于arXiv，并已开放代码与实验数据。 #论文 #神经网络 #量化 #模型压缩 #AI #机器学习 #千字节模型 #arXiv
该论文提出了一种名为“千字节模型”（Kilobyte Models）的新型神经网络架构，将神经网络本身视为一个“种子”，并通过量化潜变量实现高效表示与推理。与传统深度学习模型不同，该方法将模型参数压缩至极小规模，仅需千字节级别的存储，同时保持较强的表达能力。研究者通过实验验证，该模型在图像分类、文本生成等任务上能够以极低资源开销达到接近大型模型的性能，为边缘计算、低功耗设备上的AI部署提供了新思路。论文还探讨了量化潜变量如何作为模型的“遗传密码”，在保持架构灵活性的同时大幅降低内存与计算负担。该工作发表于arXiv，并已开放代码与实验数据。 #论文 #神经网络 #量化 #模型压缩 #AI #机器学习 #千字节模型 #arXiv
SparseKAN: 从基函数、神经元到比特的全方位KAN网络压缩方法
该论文提出了一种名为SparseKAN的新型压缩方法，针对Kolmogorov-Arnold网络（KAN）进行多维度优化。研究团队从基函数、神经元和比特三个层面入手，旨在减少模型参数与计算复杂度，同时保持网络性能。SparseKAN通过稀疏化基函数表示、剪枝冗余神经元以及量化权重比特，实现了对KAN模型的高效压缩。实验结果表明，该方法在显著降低模型存储和推理成本的同时，仅带来轻微精度损失，为KAN在资源受限场景下的部署提供了可行方案。论文作者来自相关研究机构，目前该工作已在arXiv上预印发布。 #机器学习 #神经网络 #模型压缩 #KAN #稀疏化 #学术论文
该论文提出了一种名为SparseKAN的新型压缩方法，针对Kolmogorov-Arnold网络（KAN）进行多维度优化。研究团队从基函数、神经元和比特三个层面入手，旨在减少模型参数与计算复杂度，同时保持网络性能。SparseKAN通过稀疏化基函数表示、剪枝冗余神经元以及量化权重比特，实现了对KAN模型的高效压缩。实验结果表明，该方法在显著降低模型存储和推理成本的同时，仅带来轻微精度损失，为KAN在资源受限场景下的部署提供了可行方案。论文作者来自相关研究机构，目前该工作已在arXiv上预印发布。 #机器学习 #神经网络 #模型压缩 #KAN #稀疏化 #学术论文
HyperODE
近日，题为“HyperODE: Zero-Shot Surrogate for Simulation and Inference of Dynamical Systems”的研究论文在arXiv预印本平台发布，作者为Ajitesh Srivastava。该研究提出HyperODE框架，作为动力系统模拟与推断的零样本代理模型。在科学计算中，传统代理模型往往需要针对每个具体系统重新训练，而零样本方法试图让模型直接推广至未见过的系统，从而显著降低计算成本。论文介绍了HyperODE的设计思路，并可能探讨了其在多种动力系统上的适用性。目前该论文已提供PDF、HTML等全文访问方式，并开放了BibTeX引用导出，相关代码和数据关联信息也可在页面中获取。作为预印本，该工作仍需同行评审，但其为复杂系统快速仿真提供了新的可能性。 #HyperODE #动力系统 #零样本学习 #科学计算 #arXiv #论文
近日，题为“HyperODE: Zero-Shot Surrogate for Simulation and Inference of Dynamical Systems”的研究论文在arXiv预印本平台发布，作者为Ajitesh Srivastava。该研究提出HyperODE框架，作为动力系统模拟与推断的零样本代理模型。在科学计算中，传统代理模型往往需要针对每个具体系统重新训练，而零样本方法试图让模型直接推广至未见过的系统，从而显著降低计算成本。论文介绍了HyperODE的设计思路，并可能探讨了其在多种动力系统上的适用性。目前该论文已提供PDF、HTML等全文访问方式，并开放了BibTeX引用导出，相关代码和数据关联信息也可在页面中获取。作为预印本，该工作仍需同行评审，但其为复杂系统快速仿真提供了新的可能性。 #HyperODE #动力系统 #零样本学习 #科学计算 #arXiv #论文