Q学习中的不确定性
一篇题为《Revisiting TD Target Aggregation under Uncertainty in Q-Learning》的学术论文近日在arXiv预印本平台发布。该研究由Lipeng Zu等人完成，主要针对Q学习算法中在不确定性环境下进行时序差分目标聚合的问题展开深入探讨。论文重新审视了传统聚合策略的局限性，提出了一种新的目标聚合方法，以提升强化学习算法在复杂环境下的稳定性和学习效率。实验结果表明，该新方法在多个基准任务上相比现有算法取得了更优的性能，为强化学习理论的发展提供了新的思路。 #arXiv #强化学习 #Q学习 #TD目标聚合 #不确定性 #机器学习 #人工智能
一篇题为《Revisiting TD Target Aggregation under Uncertainty in Q-Learning》的学术论文近日在arXiv预印本平台发布。该研究由Lipeng Zu等人完成，主要针对Q学习算法中在不确定性环境下进行时序差分目标聚合的问题展开深入探讨。论文重新审视了传统聚合策略的局限性，提出了一种新的目标聚合方法，以提升强化学习算法在复杂环境下的稳定性和学习效率。实验结果表明，该新方法在多个基准任务上相比现有算法取得了更优的性能，为强化学习理论的发展提供了新的思路。 #arXiv #强化学习 #Q学习 #TD目标聚合 #不确定性 #机器学习 #人工智能
多尺度灰盒贝叶斯优化中的可分离性利用方法
该论文题为《Exploiting Separability in Multi-Scale Grey-Box Bayesian Optimization》，由Joshua E. Hammond等人提交至arXiv。研究聚焦于多尺度灰盒贝叶斯优化问题，提出了一种利用问题中可分离性结构的方法。灰盒优化结合了黑盒与白盒信息的优势，而多尺度特性则需处理不同粒度的决策变量。作者通过挖掘目标函数中的可分离性，提升了优化效率和收敛性能。该工作有望在超参数调优、材料设计等复杂系统优化领域发挥作用。论文目前以PDF形式在arXiv预印本平台发布，尚未正式注册DOI。 #arXiv #贝叶斯优化 #灰盒优化 #多尺度 #可分离性 #机器学习 #优化算法
该论文题为《Exploiting Separability in Multi-Scale Grey-Box Bayesian Optimization》，由Joshua E. Hammond等人提交至arXiv。研究聚焦于多尺度灰盒贝叶斯优化问题，提出了一种利用问题中可分离性结构的方法。灰盒优化结合了黑盒与白盒信息的优势，而多尺度特性则需处理不同粒度的决策变量。作者通过挖掘目标函数中的可分离性，提升了优化效率和收敛性能。该工作有望在超参数调优、材料设计等复杂系统优化领域发挥作用。论文目前以PDF形式在arXiv预印本平台发布，尚未正式注册DOI。 #arXiv #贝叶斯优化 #灰盒优化 #多尺度 #可分离性 #机器学习 #优化算法
PLAN：并行液体启发近似网络，高效求解柔性作业车间调度问题
近日，一篇题为《PLAN: Parallel Liquid-Inspired Approximation Network for Efficient Representation Learning in Flexible Job Shop Scheduling》的论文提交至arXiv预印本平台。该论文由Dhivya Dharshini Kannan等8位作者共同完成，提出了一种名为PLAN（并行液体启发近似网络）的新型深度学习架构，旨在高效学习柔性作业车间调度问题的表示。该模型借鉴了液体神经网络（Liquid Neural Networks）的连续时间动力学特性，并引入并行计算机制，以提升对复杂调度约束的建模能力和推理速度。实验表明，PLAN在多个基准实例上显著优于传统启发式算法和现有深度学习方法，在求解质量和计算效率之间取得了更好平衡，为智能制造中的实时调度优化提供了新思路。 #机器学习 #调度优化 #柔性作业车间 #深度学习 #液体神经网络 #工业工程 #并行计算 #论文 #AI #智能制造
近日，一篇题为《PLAN: Parallel Liquid-Inspired Approximation Network for Efficient Representation Learning in Flexible Job Shop Scheduling》的论文提交至arXiv预印本平台。该论文由Dhivya Dharshini Kannan等8位作者共同完成，提出了一种名为PLAN（并行液体启发近似网络）的新型深度学习架构，旨在高效学习柔性作业车间调度问题的表示。该模型借鉴了液体神经网络（Liquid Neural Networks）的连续时间动力学特性，并引入并行计算机制，以提升对复杂调度约束的建模能力和推理速度。实验表明，PLAN在多个基准实例上显著优于传统启发式算法和现有深度学习方法，在求解质量和计算效率之间取得了更好平衡，为智能制造中的实时调度优化提供了新思路。 #机器学习 #调度优化 #柔性作业车间 #深度学习 #液体神经网络 #工业工程 #并行计算 #论文 #AI #智能制造
从图信号处理视角解析LLM上下文学习中的数值序列表示
一篇来自arXiv的预印本论文提出，从图信号处理（GSP）的视角重新审视大语言模型（LLM）在上下文学习（In-Context Learning）中对数值序列的表示机制。作者Jiajun Bao等七位研究者通过构建数值序列的图结构，将LLM内部注意力模式与图滤波器理论关联，揭示了模型如何利用图频谱特性完成数值推理。实验表明，该视角能有效解释LLM在数值运算任务中的行为，并可能为设计更高效的提示策略提供理论依据。该研究融合了图信号处理与机器学习，为理解LLM的数值推理能力开辟了新方向。 #图信号处理 #LLM #上下文学习 #数值序列 #AI #机器学习 #学术论文
一篇来自arXiv的预印本论文提出，从图信号处理（GSP）的视角重新审视大语言模型（LLM）在上下文学习（In-Context Learning）中对数值序列的表示机制。作者Jiajun Bao等七位研究者通过构建数值序列的图结构，将LLM内部注意力模式与图滤波器理论关联，揭示了模型如何利用图频谱特性完成数值推理。实验表明，该视角能有效解释LLM在数值运算任务中的行为，并可能为设计更高效的提示策略提供理论依据。该研究融合了图信号处理与机器学习，为理解LLM的数值推理能力开辟了新方向。 #图信号处理 #LLM #上下文学习 #数值序列 #AI #机器学习 #学术论文
Joint Affine Spectral Shaping：耦合权重与偏置更新，超越仅权重Muon优化器
近日，arXiv上出现一篇题为《Joint Affine Spectral Shaping: Coupling Weight and Bias Updates Beyond Weight-Only Muon》的论文，由Gongyue Zhang和Honghai Liu共同撰写。该研究提出了一种名为“联合仿射频谱整形”的新型优化方法，旨在深度学习训练中同时考虑权重和偏置的更新，突破了传统仅对权重进行Muon优化的局限。通过将权重和偏置的更新过程进行频谱域上的耦合整形，新方法有望改善模型的收敛速度与泛化能力。尽管具体实验细节尚未公开，但这一思路为优化器设计提供了新的方向，尤其对需要精细调节参数的大规模神经网络训练具有潜在价值。论文目前已在arXiv平台发布，供学术界和工业界进一步探讨。 #arXiv #机器学习 #优化算法 #深度学习 #论文 #联合仿射频谱整形 #Muon优化器
近日，arXiv上出现一篇题为《Joint Affine Spectral Shaping: Coupling Weight and Bias Updates Beyond Weight-Only Muon》的论文，由Gongyue Zhang和Honghai Liu共同撰写。该研究提出了一种名为“联合仿射频谱整形”的新型优化方法，旨在深度学习训练中同时考虑权重和偏置的更新，突破了传统仅对权重进行Muon优化的局限。通过将权重和偏置的更新过程进行频谱域上的耦合整形，新方法有望改善模型的收敛速度与泛化能力。尽管具体实验细节尚未公开，但这一思路为优化器设计提供了新的方向，尤其对需要精细调节参数的大规模神经网络训练具有潜在价值。论文目前已在arXiv平台发布，供学术界和工业界进一步探讨。 #arXiv #机器学习 #优化算法 #深度学习 #论文 #联合仿射频谱整形 #Muon优化器
AcceptMoE：提出自调整验证专家集，提升MoE投机解码效率
来自arXiv的一项研究提出了名为AcceptMoE的新方法，旨在通过承诺权重自调整验证专家集，提升混合专家模型（MoE）的投机解码效率。投机解码是加速大模型推理的关键技术，但在MoE架构中面临专家选择与验证的复杂度挑战。AcceptMoE引入一种自调整机制，动态确定验证专家集的大小，并结合承诺权重分配，从而在保证生成质量的同时大幅降低计算开销。实验结果表明，该方法在多个基准测试上显著提升了推理速度，且无需额外训练。该研究由Shuang Liang等人完成，为高效MoE推理提供了新思路。 #AI #大模型 #MoE #投机解码 #推理加速 #机器学习 #论文 #arXiv
来自arXiv的一项研究提出了名为AcceptMoE的新方法，旨在通过承诺权重自调整验证专家集，提升混合专家模型（MoE）的投机解码效率。投机解码是加速大模型推理的关键技术，但在MoE架构中面临专家选择与验证的复杂度挑战。AcceptMoE引入一种自调整机制，动态确定验证专家集的大小，并结合承诺权重分配，从而在保证生成质量的同时大幅降低计算开销。实验结果表明，该方法在多个基准测试上显著提升了推理速度，且无需额外训练。该研究由Shuang Liang等人完成，为高效MoE推理提供了新思路。 #AI #大模型 #MoE #投机解码 #推理加速 #机器学习 #论文 #arXiv
物理信息混合神经算子
来自arXiv的一篇新论文提出了一种物理信息混合神经算子，用于电力磁学中的瞬态磁化预测。该工作由Yachao Zhu等四位作者完成，于2026年8月3日提交。传统瞬态磁化建模依赖数值求解偏微分方程，计算成本高昂。研究团队将物理先验知识（如电磁场方程）嵌入神经网络架构，设计了一种混合算子，能直接从输入条件映射到磁化动态，在保持物理一致性的同时大幅提升预测速度。该方法有望为电力变压器、电机等磁性元件的快速仿真与优化设计提供新工具，推动物理驱动深度学习在工程电磁学中的应用。 #论文 #机器学习 #物理信息神经网络 #电力磁学 #瞬态磁化 #计算电磁学 #AIforScience #arXiv
来自arXiv的一篇新论文提出了一种物理信息混合神经算子，用于电力磁学中的瞬态磁化预测。该工作由Yachao Zhu等四位作者完成，于2026年8月3日提交。传统瞬态磁化建模依赖数值求解偏微分方程，计算成本高昂。研究团队将物理先验知识（如电磁场方程）嵌入神经网络架构，设计了一种混合算子，能直接从输入条件映射到磁化动态，在保持物理一致性的同时大幅提升预测速度。该方法有望为电力变压器、电机等磁性元件的快速仿真与优化设计提供新工具，推动物理驱动深度学习在工程电磁学中的应用。 #论文 #机器学习 #物理信息神经网络 #电力磁学 #瞬态磁化 #计算电磁学 #AIforScience #arXiv
Scaling Autoregressive Transformer for Single
Aleksandr Sharipov等人在arXiv上提交了一篇题为《Scaling an Autoregressive Transformer for Single-Cell Generation》的论文。该研究主要探讨了自回归Transformer模型在单细胞生成任务中的缩放行为，通过扩展模型规模和数据量来提升单细胞数据生成的质量与多样性。这项工作为计算生物学领域提供了新的方法，有助于理解细胞异质性和疾病机制。论文已以PDF、HTML等格式公开，并附有相关代码和数据链接，供学术界参考。 #AI #机器学习 #单细胞 #Transformer #计算生物学 #arXiv #深度学习 #生物信息学
Aleksandr Sharipov等人在arXiv上提交了一篇题为《Scaling an Autoregressive Transformer for Single-Cell Generation》的论文。该研究主要探讨了自回归Transformer模型在单细胞生成任务中的缩放行为，通过扩展模型规模和数据量来提升单细胞数据生成的质量与多样性。这项工作为计算生物学领域提供了新的方法，有助于理解细胞异质性和疾病机制。论文已以PDF、HTML等格式公开，并附有相关代码和数据链接，供学术界参考。 #AI #机器学习 #单细胞 #Transformer #计算生物学 #arXiv #深度学习 #生物信息学
研究论文提出转向向量中的反向检测与控制方法
一篇题为《Inverted Detection and Control in Steering Vectors》的学术论文近日在arXiv预印本平台上发布。该论文由Max Torop等三位作者共同撰写，于2026年8月3日提交。论文聚焦于AI模型中的转向向量（Steering Vectors）机制，提出了一种反向检测与控制的创新方法，旨在提升模型行为的可解释性和可控性。研究团队通过实验展示了该方法在识别和调节模型内部表示方向上的有效性，为未来更安全、更可靠的AI系统设计提供了新思路。该论文目前以PDF和HTML格式提供，并附有TeX源码，可供学术社区进一步研究。 #AI #论文 #转向向量 #机器学习 #arXiv #可解释性 #模型安全
一篇题为《Inverted Detection and Control in Steering Vectors》的学术论文近日在arXiv预印本平台上发布。该论文由Max Torop等三位作者共同撰写，于2026年8月3日提交。论文聚焦于AI模型中的转向向量（Steering Vectors）机制，提出了一种反向检测与控制的创新方法，旨在提升模型行为的可解释性和可控性。研究团队通过实验展示了该方法在识别和调节模型内部表示方向上的有效性，为未来更安全、更可靠的AI系统设计提供了新思路。该论文目前以PDF和HTML格式提供，并附有TeX源码，可供学术社区进一步研究。 #AI #论文 #转向向量 #机器学习 #arXiv #可解释性 #模型安全
航班时刻表驱动的机场安检吞吐量逐时预测新方法
来自arXiv的一篇最新研究论文提出了一种基于航班时刻表信息的时间融合预测模型，用于精准预测机场每小时安检通道的客流量。该模型将航班计划时刻表作为关键输入，融合时间序列特征，有效提升了预测的准确性。研究指出，机场安检吞吐量受航班起降时间、旅客密度等因素影响，传统方法难以捕捉其动态变化。新方法通过引入时间融合机制，能够更好地利用时刻表信息，为机场运力调度和旅客分流提供决策支持，有望减少排队时间，提升安检效率。该研究由Yinxiao Zhang等人完成，目前已在arXiv上发布。 #机场安检 #预测模型 #航班时刻表 #时间序列 #AI #交通 #学术论文
来自arXiv的一篇最新研究论文提出了一种基于航班时刻表信息的时间融合预测模型，用于精准预测机场每小时安检通道的客流量。该模型将航班计划时刻表作为关键输入，融合时间序列特征，有效提升了预测的准确性。研究指出，机场安检吞吐量受航班起降时间、旅客密度等因素影响，传统方法难以捕捉其动态变化。新方法通过引入时间融合机制，能够更好地利用时刻表信息，为机场运力调度和旅客分流提供决策支持，有望减少排队时间，提升安检效率。该研究由Yinxiao Zhang等人完成，目前已在arXiv上发布。 #机场安检 #预测模型 #航班时刻表 #时间序列 #AI #交通 #学术论文
Rubrics 作为特权信息提升开放式生成任务质量
Deepika Bablani 等研究者近日在 arXiv 上发布论文《Rubrics as Privileged Information for Open-Ended Generation》，提出将评分标准（rubrics）作为训练过程中的特权信息，以改善开放式生成任务的效果。所谓特权信息，是指在训练时可用但推理时不可用的额外知识。该研究通过将人工设计的评分标准融入模型训练，使生成结果更符合既定评价维度，从而在文本摘要、问答等开放性任务中取得更优性能。论文已提交至 arXiv，并附有完整 PDF 及实验代码链接。 #论文 #AI #生成模型 #自然语言处理 #机器学习
Deepika Bablani 等研究者近日在 arXiv 上发布论文《Rubrics as Privileged Information for Open-Ended Generation》，提出将评分标准（rubrics）作为训练过程中的特权信息，以改善开放式生成任务的效果。所谓特权信息，是指在训练时可用但推理时不可用的额外知识。该研究通过将人工设计的评分标准融入模型训练，使生成结果更符合既定评价维度，从而在文本摘要、问答等开放性任务中取得更优性能。论文已提交至 arXiv，并附有完整 PDF 及实验代码链接。 #论文 #AI #生成模型 #自然语言处理 #机器学习
基于CNN-BiLSTM模型的可穿戴传感器久坐行为分类研究
近日，一篇题为《基于CNN-BiLSTM模型的可穿戴传感器久坐行为分类》的学术论文在arXiv预印本平台发布。该研究由Yuliang Chen等13位学者共同完成，提出了一种结合卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的混合模型，用于从可穿戴传感器数据中准确识别久坐行为。实验表明，该模型在捕捉时间序列特征和空间特征方面具有优势，可有效提升分类精度，为健康监测与运动分析提供了新的技术方案。论文已开放全文下载，相关代码与数据资源同步公开。 #可穿戴传感器 #久坐行为 #CNN #BiLSTM #深度学习 #健康监测 #论文 #arXiv
近日，一篇题为《基于CNN-BiLSTM模型的可穿戴传感器久坐行为分类》的学术论文在arXiv预印本平台发布。该研究由Yuliang Chen等13位学者共同完成，提出了一种结合卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的混合模型，用于从可穿戴传感器数据中准确识别久坐行为。实验表明，该模型在捕捉时间序列特征和空间特征方面具有优势，可有效提升分类精度，为健康监测与运动分析提供了新的技术方案。论文已开放全文下载，相关代码与数据资源同步公开。 #可穿戴传感器 #久坐行为 #CNN #BiLSTM #深度学习 #健康监测 #论文 #arXiv
联邦生成事件模型助力电子健康记录隐私保护
近日，一篇题为《Federated generative event models for tokenized electronic health records》的论文在arXiv预印本平台发布。该研究由Michael C. Burkhart等学者提出，旨在利用联邦学习框架构建生成式事件模型，处理经过标记化处理的电子健康记录数据。传统医疗数据共享面临隐私泄露风险，而联邦学习允许模型在本地训练，仅聚合参数更新，无需集中原始数据。论文创新性地将生成式模型与事件序列建模相结合，在保护患者隐私的同时，实现高保真度的数据生成。实验表明，该模型能够有效模拟真实医疗事件的时间动态，为下游任务如疾病预测、临床决策支持提供高质量合成数据。这一方法有望推动医疗AI在合规前提下加速发展，促进跨机构协作。 #联邦学习 #生成模型 #电子健康记录 #隐私保护 #医疗AI #arXiv #论文
近日，一篇题为《Federated generative event models for tokenized electronic health records》的论文在arXiv预印本平台发布。该研究由Michael C. Burkhart等学者提出，旨在利用联邦学习框架构建生成式事件模型，处理经过标记化处理的电子健康记录数据。传统医疗数据共享面临隐私泄露风险，而联邦学习允许模型在本地训练，仅聚合参数更新，无需集中原始数据。论文创新性地将生成式模型与事件序列建模相结合，在保护患者隐私的同时，实现高保真度的数据生成。实验表明，该模型能够有效模拟真实医疗事件的时间动态，为下游任务如疾病预测、临床决策支持提供高质量合成数据。这一方法有望推动医疗AI在合规前提下加速发展，促进跨机构协作。 #联邦学习 #生成模型 #电子健康记录 #隐私保护 #医疗AI #arXiv #论文
利用客户基础驱动因素预测收入
一项最新研究探讨了如何利用客户基础驱动因素进行收入预测，并分析了协调机制在其中的作用。来自Kyeongbin Kim等人的论文《Forecasting Revenue with its Customer-Base Drivers: When and Why Coordination Helps》指出，传统的收入预测往往忽略客户行为数据，而该研究通过将客户获取、留存、流失等动态指标纳入模型，显著提升了预测准确性。研究进一步揭示，在销售、市场与财务部门之间进行协调，能够更有效地整合分散的客户数据，从而优化预测结果，减少误差。该工作为企业在动态市场中制定精准收入策略提供了理论依据和实践指导。 #收入预测 #客户基础 #协调机制 #商业分析 #数据驱动 #论文研究
一项最新研究探讨了如何利用客户基础驱动因素进行收入预测，并分析了协调机制在其中的作用。来自Kyeongbin Kim等人的论文《Forecasting Revenue with its Customer-Base Drivers: When and Why Coordination Helps》指出，传统的收入预测往往忽略客户行为数据，而该研究通过将客户获取、留存、流失等动态指标纳入模型，显著提升了预测准确性。研究进一步揭示，在销售、市场与财务部门之间进行协调，能够更有效地整合分散的客户数据，从而优化预测结果，减少误差。该工作为企业在动态市场中制定精准收入策略提供了理论依据和实践指导。 #收入预测 #客户基础 #协调机制 #商业分析 #数据驱动 #论文研究
AnchorKV 论文提出锚点残差 KV 缓存压缩方法
一篇题为《AnchorKV: Anchor-Residual KV Cache Compression》的学术论文于近日提交至 arXiv 预印本平台。该论文由 Malik Khalaf 等四位作者共同完成，主要关注大语言模型推理过程中的关键瓶颈——KV 缓存（Key-Value Cache）的存储与计算开销。传统 KV 缓存机制在长序列推理时占用大量显存，限制了模型的实际部署效率。AnchorKV 提出一种基于锚点残差结构的压缩方案，通过保留重要锚点并压缩残差信息，显著降低缓存大小，同时保持模型输出质量。该工作有望在保持推理精度的前提下，大幅提升大模型在长文本生成、实时对话等场景中的运行效率和资源利用率。 #论文 #AI #大模型 #KV缓存 #压缩 #推理效率 #arXiv #机器学习
一篇题为《AnchorKV: Anchor-Residual KV Cache Compression》的学术论文于近日提交至 arXiv 预印本平台。该论文由 Malik Khalaf 等四位作者共同完成，主要关注大语言模型推理过程中的关键瓶颈——KV 缓存（Key-Value Cache）的存储与计算开销。传统 KV 缓存机制在长序列推理时占用大量显存，限制了模型的实际部署效率。AnchorKV 提出一种基于锚点残差结构的压缩方案，通过保留重要锚点并压缩残差信息，显著降低缓存大小，同时保持模型输出质量。该工作有望在保持推理精度的前提下，大幅提升大模型在长文本生成、实时对话等场景中的运行效率和资源利用率。 #论文 #AI #大模型 #KV缓存 #压缩 #推理效率 #arXiv #机器学习