超越特征重要性
一篇题为《超越特征重要性：聚类解释中模式检测方法的比较分析》的学术论文近日在arXiv预印本平台发布。该论文由Benjamin Connor等四位作者共同完成，提交于2026年8月6日。研究聚焦于聚类分析结果的解释问题，指出传统上依赖特征重要性进行解释的方法存在局限，提出并系统比较了多种模式检测方法在聚类解释中的表现。论文通过实验评估了不同方法在识别聚类内部结构、揭示数据潜在模式方面的能力，旨在为数据科学领域提供更全面、可靠的聚类解释工具。该研究对于提升机器学习模型的可解释性具有重要参考价值。 #机器学习 #聚类分析 #模式检测 #特征重要性 #可解释性 #arXiv #学术论文 #数据科学
一篇题为《超越特征重要性：聚类解释中模式检测方法的比较分析》的学术论文近日在arXiv预印本平台发布。该论文由Benjamin Connor等四位作者共同完成，提交于2026年8月6日。研究聚焦于聚类分析结果的解释问题，指出传统上依赖特征重要性进行解释的方法存在局限，提出并系统比较了多种模式检测方法在聚类解释中的表现。论文通过实验评估了不同方法在识别聚类内部结构、揭示数据潜在模式方面的能力，旨在为数据科学领域提供更全面、可靠的聚类解释工具。该研究对于提升机器学习模型的可解释性具有重要参考价值。 #机器学习 #聚类分析 #模式检测 #特征重要性 #可解释性 #arXiv #学术论文 #数据科学
可解释分类中引入弃权机制的证据规则学习研究
一篇题为《Evidential Rule Learning for Interpretable Classification with Abstention》的论文近日在arXiv平台提交。该研究由Javier Fumanal-Idocin等人完成，聚焦可解释分类中的不确定性处理，提出将证据规则学习与弃权机制相结合的方法。论文旨在让分类模型在证据不足时主动选择弃权，而不是强行给出可能错误的判断，从而提升模型在关键场景下的可靠性与可解释性。目前论文已提供PDF及HTML浏览版本，相关代码和数据链接尚待更新。 #arXiv #机器学习 #可解释AI #分类 #证据学习 #弃权机制 #AI安全 #科技论文
一篇题为《Evidential Rule Learning for Interpretable Classification with Abstention》的论文近日在arXiv平台提交。该研究由Javier Fumanal-Idocin等人完成，聚焦可解释分类中的不确定性处理，提出将证据规则学习与弃权机制相结合的方法。论文旨在让分类模型在证据不足时主动选择弃权，而不是强行给出可能错误的判断，从而提升模型在关键场景下的可靠性与可解释性。目前论文已提供PDF及HTML浏览版本，相关代码和数据链接尚待更新。 #arXiv #机器学习 #可解释AI #分类 #证据学习 #弃权机制 #AI安全 #科技论文
新研究用学习排序优化GPU量子电路模拟的张量网络收缩计划
一篇题为《Learning to Rank Tensor Network Contraction Plans for GPU-Accelerated Quantum Circuit Simulation》的学术论文近日在arXiv预印本平台发布。该研究由Alfred M. Pastor等三位作者合作完成，聚焦于量子电路模拟中的关键挑战——张量网络收缩计划的选择问题。在GPU加速环境下，不同的收缩顺序会显著影响计算效率和资源消耗，传统启发式方法难以保证最优性能。这项研究将收缩计划的选择建模为排序问题，探索利用学习方法来预测更优的收缩方案，从而提升GPU上量子电路模拟的速度与可扩展性。量子电路模拟是验证量子算法、评估量子硬件正确性的重要手段，相关优化研究对量子计算领域的发展具有实际价值。目前论文已提供PDF、HTML及TeX源码等多种访问形式，可供研究者进一步查阅和复现。 #量子计算 #张量网络 #GPU #机器学习 #学术论文 #arXiv
一篇题为《Learning to Rank Tensor Network Contraction Plans for GPU-Accelerated Quantum Circuit Simulation》的学术论文近日在arXiv预印本平台发布。该研究由Alfred M. Pastor等三位作者合作完成，聚焦于量子电路模拟中的关键挑战——张量网络收缩计划的选择问题。在GPU加速环境下，不同的收缩顺序会显著影响计算效率和资源消耗，传统启发式方法难以保证最优性能。这项研究将收缩计划的选择建模为排序问题，探索利用学习方法来预测更优的收缩方案，从而提升GPU上量子电路模拟的速度与可扩展性。量子电路模拟是验证量子算法、评估量子硬件正确性的重要手段，相关优化研究对量子计算领域的发展具有实际价值。目前论文已提供PDF、HTML及TeX源码等多种访问形式，可供研究者进一步查阅和复现。 #量子计算 #张量网络 #GPU #机器学习 #学术论文 #arXiv
Predicting Task Difficulty Without Rollouts
该论文由Stefan Krsteski与Charlotte Meyer撰写，作为预印本于2026年8月6日提交至arXiv。研究聚焦于如何在无需“展开”（rollouts）的情况下预测任务难度。在机器学习和人工智能领域，任务难度评估往往依赖模拟或实际执行过程，而该工作提出了一种绕过此类直接展开的预测方法。论文已提供PDF、HTML及TeX源码等访问方式，页面暂未展示更详细的摘要内容。该研究方向可能对AI系统的成本预估、任务规划与可靠性评估具有潜在参考价值，具体方法细节有待进一步查阅全文。 #论文 #AI #机器学习 #arXiv #任务难度 #预测
该论文由Stefan Krsteski与Charlotte Meyer撰写，作为预印本于2026年8月6日提交至arXiv。研究聚焦于如何在无需“展开”（rollouts）的情况下预测任务难度。在机器学习和人工智能领域，任务难度评估往往依赖模拟或实际执行过程，而该工作提出了一种绕过此类直接展开的预测方法。论文已提供PDF、HTML及TeX源码等访问方式，页面暂未展示更详细的摘要内容。该研究方向可能对AI系统的成本预估、任务规划与可靠性评估具有潜在参考价值，具体方法细节有待进一步查阅全文。 #论文 #AI #机器学习 #arXiv #任务难度 #预测
神经符号闭环控制激光粉末床熔融论文在arXiv发布
据arXiv预印本显示，Gisuk Hong等人于2026年8月6日提交了一篇题为"Neuro-Symbolic Closed-Loop Control of Laser Powder Bed Fusion with an In-Loop Ontology"的论文。该研究提出了一种结合神经符号方法与内环本体的闭环控制策略，用于优化激光粉末床熔融（LPBF）增材制造过程。通过融合神经网络的适应性与符号推理的可解释性，并引入领域本体进行实时知识引导，旨在提升工艺稳定性和产品成型质量。该方法有望为金属增材制造中的在线监测与自适应控制提供新的技术路径，对提高复杂零件制造的一致性和可靠性具有潜在价值。 #神经符号 #闭环控制 #激光粉末床熔融 #增材制造 #本体 #arXiv #论文 #智能制造
据arXiv预印本显示，Gisuk Hong等人于2026年8月6日提交了一篇题为"Neuro-Symbolic Closed-Loop Control of Laser Powder Bed Fusion with an In-Loop Ontology"的论文。该研究提出了一种结合神经符号方法与内环本体的闭环控制策略，用于优化激光粉末床熔融（LPBF）增材制造过程。通过融合神经网络的适应性与符号推理的可解释性，并引入领域本体进行实时知识引导，旨在提升工艺稳定性和产品成型质量。该方法有望为金属增材制造中的在线监测与自适应控制提供新的技术路径，对提高复杂零件制造的一致性和可靠性具有潜在价值。 #神经符号 #闭环控制 #激光粉末床熔融 #增材制造 #本体 #arXiv #论文 #智能制造
多变量时间序列预测需要交叉变量损失
该论文由Kuiye Ding、Yifan Hu、Hanchen Wang和Hao Xue共同撰写，于2026年8月提交至arXiv平台。研究聚焦多变量时间序列预测中的损失函数设计问题，指出传统方法通常对各预测变量独立计算损失，忽略了变量之间存在的相关性与相互作用。作者提出引入“交叉变量损失”机制，在模型训练中显式建模跨变量依赖关系，从而提升预测精度与鲁棒性。这一思路为交通流预测、电力负荷估计、金融时序分析等实际应用提供了新的优化方向。论文的完整文本已通过arXiv公开，可供相关领域研究者参考和进一步讨论。 #arXiv #多变量时间序列 #损失函数 #预测 #机器学习 #AI #时间序列分析
该论文由Kuiye Ding、Yifan Hu、Hanchen Wang和Hao Xue共同撰写，于2026年8月提交至arXiv平台。研究聚焦多变量时间序列预测中的损失函数设计问题，指出传统方法通常对各预测变量独立计算损失，忽略了变量之间存在的相关性与相互作用。作者提出引入“交叉变量损失”机制，在模型训练中显式建模跨变量依赖关系，从而提升预测精度与鲁棒性。这一思路为交通流预测、电力负荷估计、金融时序分析等实际应用提供了新的优化方向。论文的完整文本已通过arXiv公开，可供相关领域研究者参考和进一步讨论。 #arXiv #多变量时间序列 #损失函数 #预测 #机器学习 #AI #时间序列分析
新论文SEAM提出科学机器学习全局一致性方法
一篇题为《SEAM: Global consistency beyond local accuracy in scientific machine learning》的学术论文在arXiv预印本平台发布。该论文由Gnankan Landry Regis N'guessan等研究者撰写，聚焦科学机器学习领域，提出了一种名为SEAM的新方法，旨在超越传统局部精度，实现全局一致性。研究团队认为，在科学计算与机器学习交叉应用中，仅追求局部准确度往往导致模型泛化能力不足，而SEAM方法通过引入全局一致性约束，有望提升模型在复杂物理系统建模中的可靠性与可解释性。该工作为科学机器学习中的模型设计提供了新思路，可能对材料科学、流体力学等领域的数值模拟产生积极影响。目前论文已开放全文访问，并附有相关代码与数据链接。 #科学机器学习 #全局一致性 #SEAM #arXiv #论文 #AI #物理建模
一篇题为《SEAM: Global consistency beyond local accuracy in scientific machine learning》的学术论文在arXiv预印本平台发布。该论文由Gnankan Landry Regis N'guessan等研究者撰写，聚焦科学机器学习领域，提出了一种名为SEAM的新方法，旨在超越传统局部精度，实现全局一致性。研究团队认为，在科学计算与机器学习交叉应用中，仅追求局部准确度往往导致模型泛化能力不足，而SEAM方法通过引入全局一致性约束，有望提升模型在复杂物理系统建模中的可靠性与可解释性。该工作为科学机器学习中的模型设计提供了新思路，可能对材料科学、流体力学等领域的数值模拟产生积极影响。目前论文已开放全文访问，并附有相关代码与数据链接。 #科学机器学习 #全局一致性 #SEAM #arXiv #论文 #AI #物理建模
Consistency Has a Computable Blind Spot: A Commutation Theory of Label-Free Reliability for Vision-Language Figure Reading
Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Rasul Khanbayov [ view email ] [v1] Thu, 6 Aug 2026 07:14:58 UTC (266 KB) Full-text links: Access Paper: View a PDF of the paper titled Consistency Has a Computable Blind Spot: A Commutation Theory of Label-Free Reliability for Vision-Language Figure Reading, by Rasul Khanbayov and Hasan Kurban View PDF TeX Source view license Current browse context: < prev | next > new | recent | 2026-08 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggl
Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Rasul Khanbayov [ view email ] [v1] Thu, 6 Aug 2026 07:14:58 UTC (266 KB) Full-text links: Access Paper: View a PDF of the paper titled Consistency Has a Computable Blind Spot: A Commutation Theory of Label-Free Reliability for Vision-Language Figure Reading, by Rasul Khanbayov and Hasan Kurban View PDF TeX Source view license Current browse context: < prev | next > new | recent | 2026-08 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggl
e Bibliographic Explorer ( What is the Explorer? ) Connected Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .
共识何时意味着正确？新研究提出语义保持重渲染测量方法
一篇题为《When Does Consensus Mean Correctness? Measuring the Agreement-Accuracy Coupling with Semantics-Preserving Re-Rendering》的论文近日在arXiv上发布，作者为Rasul Khanbayov和Hasan Kurban。该研究聚焦于群体共识与答案正确性之间的关联，提出通过语义保持的重渲染方法来量化一致性与准确性的耦合程度。研究旨在探讨在何种条件下，多个模型或智能体达成的一致意见能够真实反映正确性，从而为构建可信赖的AI系统提供理论依据。论文已公开PDF与TeX源文件，并可通过arXiv相关工具获取引用及推荐信息。 #AI #机器学习 #共识 #正确性 #arXiv #论文 #语义保持
一篇题为《When Does Consensus Mean Correctness? Measuring the Agreement-Accuracy Coupling with Semantics-Preserving Re-Rendering》的论文近日在arXiv上发布，作者为Rasul Khanbayov和Hasan Kurban。该研究聚焦于群体共识与答案正确性之间的关联，提出通过语义保持的重渲染方法来量化一致性与准确性的耦合程度。研究旨在探讨在何种条件下，多个模型或智能体达成的一致意见能够真实反映正确性，从而为构建可信赖的AI系统提供理论依据。论文已公开PDF与TeX源文件，并可通过arXiv相关工具获取引用及推荐信息。 #AI #机器学习 #共识 #正确性 #arXiv #论文 #语义保持
潜在匹配最优传输：连续归一化流实现精确p
近日，一篇题为《Potential Matching Optimal Transport: Continuous Normalizing Flows for Exact p-Wasserstein Dynamics》的论文在arXiv预印本平台发布。该研究由Lishuo Zhang等人提出，旨在通过连续归一化流（CNF）精确求解p-Wasserstein距离下的最优传输问题。传统方法在计算高维分布间的Wasserstein距离时存在近似误差或计算瓶颈，而该工作引入“潜在匹配”策略，将最优传输问题转化为一个可微的动力学系统，使得CNF能够直接学习从源分布到目标分布的精确映射。实验表明，该方法在保持计算效率的同时，显著提升了Wasserstein距离的估计精度，为生成模型、密度估计及科学计算等领域提供了新的理论工具。论文已开放PDF及HTML版本供学术社区参考。 #最优传输 #连续归一化流 #Wasserstein距离 #机器学习 #arXiv #论文
近日，一篇题为《Potential Matching Optimal Transport: Continuous Normalizing Flows for Exact p-Wasserstein Dynamics》的论文在arXiv预印本平台发布。该研究由Lishuo Zhang等人提出，旨在通过连续归一化流（CNF）精确求解p-Wasserstein距离下的最优传输问题。传统方法在计算高维分布间的Wasserstein距离时存在近似误差或计算瓶颈，而该工作引入“潜在匹配”策略，将最优传输问题转化为一个可微的动力学系统，使得CNF能够直接学习从源分布到目标分布的精确映射。实验表明，该方法在保持计算效率的同时，显著提升了Wasserstein距离的估计精度，为生成模型、密度估计及科学计算等领域提供了新的理论工具。论文已开放PDF及HTML版本供学术社区参考。 #最优传输 #连续归一化流 #Wasserstein距离 #机器学习 #arXiv #论文
大模型推理错误在残差流轨迹中呈现特定区域与方向
一篇题为《Reasoning Errors Have a Region and a Direction in the Residual-Stream Trajectory of LLMs》的论文于2026年8月6日提交至arXiv，作者包括Hamed Damirchi、Ignacio Meza De la Jara、Damith Ranasinghe、Yuhang Liu和Javen Shi。该研究聚焦大语言模型在推理过程中的错误机制，提出推理错误并非随机分布，而是在模型的残差流轨迹中具有可辨识的特定区域和方向性特征。这一发现或有助于更深入地理解LLM的内部计算过程，并为推理纠错、可解释性研究提供新的切入点。论文还提供了PDF、HTML及TeX源码等多种访问形式，供研究者进一步查阅。 #LLM #大模型 #推理错误 #残差流 #可解释性 #AI研究 #arXiv
一篇题为《Reasoning Errors Have a Region and a Direction in the Residual-Stream Trajectory of LLMs》的论文于2026年8月6日提交至arXiv，作者包括Hamed Damirchi、Ignacio Meza De la Jara、Damith Ranasinghe、Yuhang Liu和Javen Shi。该研究聚焦大语言模型在推理过程中的错误机制，提出推理错误并非随机分布，而是在模型的残差流轨迹中具有可辨识的特定区域和方向性特征。这一发现或有助于更深入地理解LLM的内部计算过程，并为推理纠错、可解释性研究提供新的切入点。论文还提供了PDF、HTML及TeX源码等多种访问形式，供研究者进一步查阅。 #LLM #大模型 #推理错误 #残差流 #可解释性 #AI研究 #arXiv
GAUGE 框架提出粒度自适应反事实门控，应对不完整多模态分类
近日，一篇题为《GAUGE: Granularity-Adaptive Counterfactual Gating of Evidence for Incomplete Multimodal Classification》的论文在 arXiv 平台发布。该研究由 Yunping Shi 及其三位合作者共同完成。论文聚焦多模态分类场景中数据不完整的问题，提出了一种名为 GAUGE 的粒度自适应反事实证据门控方法，旨在通过动态调整证据粒度并引入反事实推理，提升模型对缺失模态信息的鲁棒性和分类性能。该研究为多模态学习领域提供了新的解决思路，相关论文已提供 PDF、HTML 及 TeX 源文件供学术社区查阅。 #arXiv #多模态 #机器学习 #反事实推理 #GAUGE
近日，一篇题为《GAUGE: Granularity-Adaptive Counterfactual Gating of Evidence for Incomplete Multimodal Classification》的论文在 arXiv 平台发布。该研究由 Yunping Shi 及其三位合作者共同完成。论文聚焦多模态分类场景中数据不完整的问题，提出了一种名为 GAUGE 的粒度自适应反事实证据门控方法，旨在通过动态调整证据粒度并引入反事实推理，提升模型对缺失模态信息的鲁棒性和分类性能。该研究为多模态学习领域提供了新的解决思路，相关论文已提供 PDF、HTML 及 TeX 源文件供学术社区查阅。 #arXiv #多模态 #机器学习 #反事实推理 #GAUGE
Align-RAG: 对齐是时间序列基础模型上下文学习的关键
一篇题为《Align-RAG: Alignment Is All You Need for TSFM In-Context Learning》的论文在arXiv上发布。该研究由Mohammad Asadi等九位作者共同完成，提出了一种名为Align-RAG的新方法，强调对齐机制对于时间序列基础模型（TSFM）的上下文学习至关重要。论文认为，通过有效的对齐策略，可以显著提升模型在时间序列任务中的上下文学习能力，从而改善预测、分类等下游应用的表现。该工作为时间序列基础模型的发展提供了新的思路，有望推动相关领域的进一步研究。 #AI #时间序列 #基础模型 #上下文学习 #对齐 #论文 #arXiv #机器学习
一篇题为《Align-RAG: Alignment Is All You Need for TSFM In-Context Learning》的论文在arXiv上发布。该研究由Mohammad Asadi等九位作者共同完成，提出了一种名为Align-RAG的新方法，强调对齐机制对于时间序列基础模型（TSFM）的上下文学习至关重要。论文认为，通过有效的对齐策略，可以显著提升模型在时间序列任务中的上下文学习能力，从而改善预测、分类等下游应用的表现。该工作为时间序列基础模型的发展提供了新的思路，有望推动相关领域的进一步研究。 #AI #时间序列 #基础模型 #上下文学习 #对齐 #论文 #arXiv #机器学习