新型双重惩罚框架可欺骗白盒可解释AI审计器

研究人员提出一种名为“双重惩罚逃避框架”的新方法，旨在欺骗白盒可解释人工智能（XAI）审计器。该框架通过对模型输出施加双重惩罚项，在保持原始预测结果的同时，生成误导性的特征归因解释，从而绕过审计系统的公平性、鲁棒性检测。该研究揭示了当前XAI审计机制在对抗环境下的脆弱性，对AI系统的透明度和可信赖性构成潜在威胁。相关论文已提交至arXiv预印本平台，由Niraj Kumar等人完成。 #AI安全 #可解释AI #对抗攻击 #arXiv #论文 #双重惩罚 #白盒审计 #人工智能 #鲁棒性

arXiv 新论文提出《Agentic Graph Token Reasoning》方法

据 arXiv 平台显示，由 Zhuoyi Peng 等人提交的论文《Agentic Graph Token Reasoning》于 2026 年 8 月 1 日正式发布。该论文属于计算机科学领域，目前可通过 arXiv 获取 PDF、HTML 及 TeX 源码版本，并已接入 DataCite DOI 注册流程。论文页面还提供了 BibTeX 引用、Google Scholar 及 Semantic Scholar 等文献工具链接，便于学术检索与引用。从标题来看，研究围绕“代理式图 Token 推理”展开，具体技术细节尚未在页面中披露，但已引发相关领域研究者的关注。 #arXiv #论文 #AgenticGraphTokenReasoning #图推理 #AI #学术 #研究

HP-JEPA: 分层分区实现多分辨率图联合嵌入预测学习

研究人员提出了一种名为HP-JEPA的新型图表示学习框架，通过分层分区策略实现多分辨率图结构的联合嵌入预测学习。该方法旨在解决传统图神经网络在处理不同尺度图结构时信息丢失的问题，能够更有效地捕捉全局与局部特征。该工作由Ruichen Xu等人完成，相关论文已在arXiv预印本平台发布，为图学习领域提供了新的技术思路，有望在社交网络分析、分子结构预测等场景中发挥作用。 #图神经网络 #HPJEPA #多分辨率 #表示学习 #AI #arXiv #科技论文

大型语言模型实时企业部署蓝图发布

一篇题为《释放大型语言模型的潜力：实时、企业级部署的蓝图》的论文已在《计算机》杂志（2026年4月刊）上发表。该论文由Muhammad Faizan Raza等四位作者撰写，聚焦于将大型语言模型（LLM）从研究原型转化为可投入生产环境的实时系统。文章提出了一套系统化的部署框架，涵盖架构设计、性能优化、安全性保障及运维管理等多个维度，旨在解决LLM在企业应用中面临的延迟、成本、可扩展性等核心挑战。该蓝图强调在保持模型推理能力的同时，实现低延迟响应与资源高效利用，为企业级AI应用落地提供了可操作的参考路径。论文还讨论了当前LLM部署中的常见瓶颈，并给出了针对性解决方案。 #大型语言模型 #企业部署 #实时系统 #AI工程化 #论文 #计算机科学

DSETA：面向动态交通环境的双阶段持续学习旅行时间预测框架

该论文提出了一种名为DSETA的双阶段持续学习框架，旨在解决动态交通环境下旅行时间预测的挑战。传统方法在面对交通流变化时难以适应，而DSETA通过双阶段设计有效平衡了旧知识保留与新知识学习。第一阶段进行特征提取和知识蒸馏，第二阶段则利用持续学习策略更新模型。实验结果表明，该方法在多个真实交通数据集上取得了优于现有模型的预测精度，并具有良好的泛化能力。 #论文 #人工智能 #交通预测 #持续学习 #旅行时间预测 #DSETA #动态环境 #机器学习

基于流图学习建模未知非局部偏微分方程系统

一篇题为《Modeling Unknown Nonlocal PDE Systems via Flow Map Learning》的学术论文近日在arXiv预印本平台发布，作者为Zhongshu Xu等四人。该研究聚焦于非局部偏微分方程系统的建模问题，提出利用流图学习方法，在未知系统动态的前提下直接学习其演化映射，从而绕过传统方程推导的困难。该方法有望应用于复杂物理系统、材料科学及多尺度动力学等领域，为数据驱动的科学计算提供新思路。论文已提供PDF与HTML版本供查阅。 #非局部PDE #流图学习 #科学计算 #机器学习 #arXiv #论文

针对不平衡表格数据的无监督深度学习集成聚类方法

一篇发表于arXiv的论文提出了一种基于无监督深度学习集成的新方法，用于解决不平衡表格数据的聚类难题。该方法通过融合多个自编码器或深度嵌入模型，增强对数据分布不均的鲁棒性，并在多个基准数据集上验证了其优于传统聚类算法的性能。研究团队指出，该集成策略能有效捕捉复杂特征，提升聚类准确率，为数据挖掘和机器学习领域提供了新的思路。 #机器学习 #深度学习 #无监督学习 #聚类 #不平衡数据 #表格数据 #论文 #arXiv

神经算子学习助力航天器集群碰撞感知轨迹规划

一篇来自arXiv的预印本论文提出，利用神经算子学习方法解决航天器集群的碰撞感知轨迹规划问题。该研究由Sidhdharth D. Sikka等人完成，于2026年7月提交。传统方法在计算复杂度和实时性上存在瓶颈，而神经算子能够高效学习动力学系统的映射关系，实现快速、可靠的轨迹优化。实验表明，该方法在保证安全避碰的同时显著降低了计算开销，为大规模航天器自主协同控制提供了新思路。 #航天 #AI #神经算子 #轨迹规划 #arXiv #论文 #太空技术 #机器学习

代理贝叶斯优化

该论文由Paul Brunzema等六位作者共同提交至arXiv预印本平台，提出了一种名为Agentic Bayesian Optimization的新方法。该方法通过代理增强的自动研究框架，使贝叶斯优化过程具有更强的自主性和适应性。传统贝叶斯优化依赖手动选择代理模型和采集函数，而本文提出的方法利用智能代理自动进行模型选择和策略调整，从而在多个优化任务中提升效率。该研究为黑箱优化和自动化机器学习提供了新思路，有望在超参数调优、实验设计等领域发挥重要作用。 #机器学习 #贝叶斯优化 #AI代理 #arXiv #黑箱优化 #自动研究

弃权动作或致强化学习崩溃，研究提出修复方案

一项发表于 arXiv 的研究探讨了在错误惩罚强化学习中将“弃权”作为动作所引发的训练崩溃问题。论文指出，弃权动作会同时破坏奖励梯度与 KL 锚点，导致模型无法有效学习。研究者提出了崩溃规律模型，并设计了相应的修复策略，以恢复训练稳定性。该工作对提升强化学习在安全关键场景下的可靠性具有重要意义。 #arXiv #强化学习 #AI #机器学习 #论文

arXiv 新论文探索神经组合优化中 Best-of

一篇题为《Stabilized Best-of-K Training for Neural Combinatorial Optimization》的研究论文近日在 arXiv 上发布，作者包括 Melveena Jolly 等。该研究聚焦于神经组合优化领域，针对 Best-of-K 训练策略的稳定性问题展开探讨。Best-of-K 是强化学习与组合优化中常用的一种采样训练方式，通过从当前策略中生成多个候选解并择优更新模型，以提升求解质量。然而，该类方法在训练中可能面临方差大、收敛不稳定等挑战。论文提出相应的稳定化手段，以期改善神经组合优化模型的训练效果。该论文已提交至 arXiv 计算机科学方向，并提供 PDF 与 HTML 全文访问。 #arXiv #神经网络 #组合优化 #机器学习 #论文

Similarity-Aware Machine Unlearning 论文提交至 arXiv

据 arXiv 预印本平台信息，一篇题为“Similarity-Aware Machine Unlearning”的学术论文已由 Madhavan Citalamangalam Kumaran 等三位作者提交，并于 2026 年 7 月 31 日发布。该论文聚焦于机器遗忘领域，旨在解决深度学习模型在移除特定数据点时效率与准确性的平衡问题。标题暗示作者提出了一种基于数据相似性感知的遗忘方法，通过利用样本间的相似关系来优化遗忘过程，可能减少对模型全局性能的影响。目前论文的完整 PDF 版本已公开，相关代码与数据链接、引用工具等辅助资源也一并提供，供学界深入研究和复现。该工作对隐私保护与合规性机器学习具有潜在价值。 #机器学习 #机器遗忘 #隐私保护 #arXiv #AI安全 #数据删除 #深度学习

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

验证器诱导的支持重塑

据arXiv论文显示，由Shaohang Wei等六位作者共同提交的论文“Verifier-Induced Support Reshaping in On-Policy Optimization”正式上线。该研究聚焦于在线策略优化（on-policy optimization）领域，提出通过验证器（verifier）来重塑策略支持分布的技术路径。论文探讨了在强化学习或大模型对齐场景中，如何利用验证器引导模型探索更优策略空间，从而提升训练效率与稳定性。当前论文已提供PDF和HTML版本，并附有相关工具链接。该工作为优化算法提供了新的理论视角，有望推动强化学习与生成式AI的进一步发展。 #arXiv #论文 #在线策略优化 #验证器 #强化学习 #AI #机器学习

PCINN: 物理化学信息神经网络实现实时空间ALD覆盖率预测

一篇题为《A Physics-Chemistry-Informed Neural Network (PCINN) for Real-Time Spatial-ALD Coverage Prediction and Reliable Kinetics Inversion》的论文于2026年7月31日提交至arXiv。该研究由Ning Hu等人提出，旨在解决空间原子层沉积（Spatial-ALD）过程中覆盖率实时预测与动力学参数反演的难题。传统的实验测量或物理模型往往耗时且精度有限，而PCINN通过将物理化学先验知识（如反应动力学方程）嵌入神经网络架构，实现了对薄膜生长过程的实时、高精度预测。该方法不仅能快速输出覆盖率分布，还能可靠地反演关键动力学参数，为半导体制造、纳米材料制备等领域提供了一种高效、智能的工艺监控手段。论文展示了PCINN在多种工况下的优越性能，有望推动ALD工艺的数字化与智能化。 #AI #神经网络 #原子层沉积 #半导体 #材料科学 #机器学习 #物理信息网络 #arXiv

AutoCause：自动化环境时间序列因果发现的Python框架

arXiv近日发布了一篇论文，介绍名为AutoCause的Python框架，旨在自动化环境时间序列因果发现中的专家决策过程。该框架由Marco Ruiz等四位研究者开发，能够简化因果推理流程，减少对人工干预的依赖，适用于气候科学、生态学等领域的时间序列数据分析。论文提供了PDF和HTML版本，并附有相关引用、代码及工具链接。AutoCause的发布有望推动环境科学中因果发现方法的自动化与标准化。 #AutoCause #因果发现 #时间序列 #Python #框架 #环境科学 #机器学习 #arXiv #自动化

arXiv新论文提出推理时策略对齐方法，促进公平强化学习

一篇以“推理时策略对齐实现公平强化学习”为题的论文近日在arXiv上预发布。该研究由Umer Siddique等学者完成，专注于解决强化学习在应用中可能出现的公平性偏差问题。传统方法多在训练阶段引入公平约束，而该工作创新性地提出在推理阶段进行策略对齐，通过调整已训练模型的输出决策，在保持性能的同时显著提升公平性指标。论文展示了在多种基准任务上的实验效果，验证了该方法在资源分配、推荐系统等场景中的有效性。该研究为构建更负责任、更公平的AI系统提供了新思路，有望推动强化学习在敏感领域的实际部署。 #arXiv #强化学习 #公平性 #AI伦理 #策略对齐 #机器学习

响应幅度成为CRISPRi扰动效应预测的主导信号

一项发表于arXiv预印本的研究表明，在预测CRISPRi（CRISPR干扰）扰动效应时，响应幅度可作为主导信号。该研究由Mehrdad Shoeibi和Niloofar Yousefi完成，论文标题为“Response Magnitude as a Dominant Signal for Held-Out CRISPRi Perturbation Effect Prediction”。研究团队通过分析基因扰动实验数据，发现响应幅度这一特征在预测未观测到的扰动效应中表现突出，优于其他传统信号。该发现有助于改进基因功能预测模型，为理解基因调控网络和开发精准基因编辑策略提供新思路。论文已提供PDF全文及HTML版本，并附有相关代码与数据链接。 #arXiv #CRISPRi #基因编辑 #响应幅度 #扰动效应预测 #生物信息学 #科研论文

Leak It: 一种从黑盒语言模型中提取训练数据的概率方法

一篇题为《Leak It: A Probabilistic Approach to Training-Data Extraction from Black-Box Language Models》的学术论文于2026年7月31日提交至预印本平台arXiv。该论文由Victor Maricato Oliveira撰写，提出了一种基于概率的方法，旨在从黑盒语言模型中提取训练数据。这一研究方向关乎大语言模型的安全性与隐私保护，通过分析模型输出，逆向推断其训练集中的信息。论文目前以PDF及HTML格式公开，并附有相关代码与数据链接，供研究者复现与评估。 #论文 #AI #语言模型 #数据提取 #arXiv #黑盒模型 #隐私安全 #概率方法

研究重新思考专门设计数据的预训练方法，JONES

一篇发表于arXiv的论文《Rethinking Pretraining for Specialized Design Data: Evidence from the JONES-19 Cultural Design Dataset》提出，当前主流的预训练策略在处理专门设计数据（如文化设计数据集）时可能效果有限。作者通过构建并分析JONES-19文化设计数据集，提供了实证证据，表明需要针对这类特殊领域重新设计预训练方法。该研究对设计领域的人工智能模型训练具有重要参考价值，可能推动行业更关注数据特性和领域适配性。论文由Alexandros Haridis等人撰写，目前已在arXiv平台公开。 #预训练 #设计数据 #JONES19 #文化设计 #AI #论文 #arXiv

Progressive²：教师-学生渐进共演化知识蒸馏方法实现大幅模型压缩

近日，一篇发表在arXiv上的论文提出了一种名为Progressive²的新型知识蒸馏方法。该方法通过教师-学生渐进共演化机制，在保持模型性能的同时实现显著压缩，适用于大规模深度学习模型。传统蒸馏方法往往依赖静态知识传递，而Progressive²引入动态渐进训练，使教师和学生模型在训练过程中协同进化，从而更高效地传递知识。实验表明，该方法在多个基准测试中取得了更优的压缩率与性能平衡，为模型部署提供了新思路。 #知识蒸馏 #模型压缩 #深度学习 #AI #论文 #arXiv #教师学生模型 #渐进学习