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

CircuitSteer：基于稀疏自编码器电路的几何对齐多层引导方法

该论文提出了一种名为CircuitSteer的新方法，通过稀疏自编码器电路实现几何对齐的多层引导。研究团队旨在提升对神经网络内部表示的理解与控制能力，利用稀疏自编码器从模型激活中提取可解释特征，并设计多层几何对齐策略，使引导信号在不同层之间保持一致。该方法有望在模型编辑、行为控制和可解释性研究等领域发挥重要作用。论文作者包括Mehrshad Saadatinia等，已提交至arXiv预印本平台。 #AI #可解释性 #稀疏自编码器 #神经网络 #机器学习 #arXiv #论文 #模型控制

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

旋转机械故障诊断新方法

一篇发表于 arXiv 的学术论文提出了一种名为“频谱混叠前置任务”的新型自监督学习方法，用于旋转机械的故障诊断。该方法由 Victor Gialis 等人研究，旨在通过构造频谱混叠相关的自监督任务，让模型无需大量人工标注数据即可学习到有效的故障特征。研究团队认为，这一思路有助于提升诊断模型在工业场景中的泛化能力，并降低对标注样本的依赖。目前该论文已以预印本形式公开，并提供 PDF 与 HTML 版本供学术界参考。 #旋转机械 #故障诊断 #自监督学习 #频谱混叠 #论文 #arXiv #机械工程

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

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

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

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

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

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

LC-GRPO：通过朗之万校正弥合基于流的GRPO训练

Yingqing Guo等四位研究者最新提交的arXiv论文提出LC-GRPO方法，旨在通过引入朗之万校正（Langevin Correction）来弥合基于流的GRPO（广义强化策略优化）在训练阶段与推理阶段之间的性能差异。该工作针对生成模型或强化学习领域中常见的训练-推理不匹配问题，尝试利用朗之万动力学对策略梯度进行修正，从而提升模型在推理时的泛化能力与稳定性。论文目前以预印本形式发布，尚未公开完整实验细节，但已引起相关领域关注。 #arXiv #论文 #机器学习 #强化学习 #GRPO #朗之万校正 #AI #生成模型 #研究

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

KV-Skill论文在arXiv发布，聚焦模型本土语言专业知识锻造

近日，一篇题为“KV-Skill: Forging Expertise in the Model's Native Language”的论文在预印本平台arXiv上正式发布。该论文由Zhaowei Han等5位作者共同完成，提交日期为2026年8月5日，当前版本为v1。论文标题直指核心问题：如何在模型的原生语言中锻造专业知识。这一研究方向对提升大语言模型在非英语语言上的表现具有潜在价值，尤其是在多语言场景下增强模型对特定语言知识的深度理解与生成能力。目前，论文全文（PDF及HTML版本）已开放获取，供学术界和工业界参考。该工作可能为后续多语言模型训练和知识注入提供新的方法论支撑。 #arXiv #论文 #大语言模型 #多语言 #专业知识 #KVSkill #AI

Matrix Zonotopic Attention

一篇题为"Matrix Zonotopic Attention: A Context-Adaptive Value Projection for Set Transformers"的研究论文已提交至arXiv预印本平台。该论文由Zhen Zhang等人撰写，于2026年8月5日发布。研究聚焦于集合变换器中的注意力机制，提出了一种基于矩阵Zonotopic的注意力方法，通过上下文自适应地投影值向量，以增强模型对无序集合数据的表示与处理能力。论文目前已在arXiv上公开，提供PDF和HTML版本供读者查阅。 #论文 #arXiv #注意力机制 #集合变换器 #深度学习 #AI #科研

混合概率Zonotope新方法

近日，一篇题为《Hybrid Probabilistic Zonotopes for Identifiable and Refinable Predictive Uncertainty》的研究论文在arXiv平台预印发布，作者为Zhen Zhang等人。该研究针对预测不确定性量化问题，提出了一种基于混合概率Zonotope的理论框架，旨在提升不确定性估计的可识别性与可细化能力。论文已提供PDF与HTML版本供读者查阅，并附有BibTeX引用信息。目前该工作已完成提交，尚待DataCite分配正式DOI。相关成果有望为机器学习、控制与估计领域的鲁棒决策提供新的数学工具，引起学界关注。 #arXiv #论文 #不确定性量化 #人工智能 #机器学习 #预测建模

EvoHarness-RL 提出自进化运行时框架，提升长周期 LLM 智能体性能

一项名为 EvoHarness-RL 的研究近日在 arXiv 上公开，由 Xuying Ning 等 16 位研究者共同完成。该研究针对长周期任务中大型语言模型智能体面临的运行时管理难题，提出一种基于强化学习的自进化运行时框架，使智能体能够根据任务执行情况动态调整自身运行策略，从而更好地完成复杂多步操作。论文展示了该框架在推理、工具调用及长期规划等场景中的潜力，相关代码和实验数据已在论文中提供。这一方法为提升 LLM 智能体的自主性和适应性提供了新思路。 #EvoHarnessRL #LLM #智能体 #强化学习 #arXiv #AI #长周期任务

第三轴即自由

2026年8月5日，一篇题为《Why the Third Axis Is Freedom》的学术论文被提交至arXiv预印本平台，作者为Michael Timothy Bennett。论文页面显示，该研究已获得arXiv发布的DOI编号，目前处于待注册状态。全文可通过PDF、HTML及TeX源码等途径访问，并归入计算机科学（cs）分类目录。尽管论文摘要尚未公开，但标题中“第三轴”与“自由”的提法，暗示其可能探讨多维空间或抽象理论中的自由度概念，具体内容仍有待作者进一步披露。 #arXiv #论文 #学术 #计算机科学 #第三轴 #自由

IFlowNets：扩展生成采样器以学习不完全信息游戏中的策略

来自arXiv的一篇新论文提出了一种名为IFlowNets的框架，旨在将生成流网络（Generative Flow Networks）应用于不完全信息游戏中的策略学习。传统方法在处理此类游戏时面临状态空间巨大和对手策略不确定等挑战，而IFlowNets通过扩展生成采样器，能够高效地探索策略空间并学习近似最优策略。该研究由Conor M. Artman、Nicholas Di和Scott Perkins共同完成，论文详细介绍了IFlowNets的理论基础、算法设计以及在多个基准游戏上的实验结果，展示了其在复杂博弈场景下的优越性能。这项工作为人工智能在不完全信息环境下的决策提供了新思路，有望推动游戏AI和现实世界博弈问题的发展。 #IFlowNets #生成流网络 #不完全信息博弈 #策略学习 #人工智能 #强化学习 #机器学习 #arXiv论文

论文提出用收敛时扰动敏感性识别虚假相关样本

一篇题为《Perturbation Sensitivity at Convergence: A Simple Signal for Identifying Spuriously Correlated Samples》的研究论文在arXiv平台发布，作者为Nilesh Kumar。该研究聚焦机器学习模型中的虚假相关问题，即模型可能依赖与任务无关的表面特征进行预测，导致泛化能力下降。论文提出一种简单信号，通过在模型收敛时施加扰动并观察敏感性，来识别可能引发错误关联的样本。该方法有望提升模型训练的鲁棒性和可解释性，为诊断数据集偏差提供新思路。论文具体实验细节和结果尚未在页面中披露。 #机器学习 #虚假相关 #arXiv #论文 #AI

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