通信高效的异质多中心生存数据分布式风险差异估计

该论文提出了一种通信高效的分布式风险差异估计方法，专门用于处理异质性多站点生存数据。研究由Ziwen Wang等四位作者完成，于2026年1月提交至arXiv平台，并在后续进行了版本更新。在多中心临床研究中，各站点数据存在异质性且受隐私限制无法直接汇总，传统集中式分析方法面临通信成本高和数据分布差异的挑战。该方法旨在通过优化通信策略，在减少数据传递开销的同时，实现对风险差异的准确估计，并有效应对站点间数据异质性问题。论文涉及分布式统计推断、生存分析和通信效率等交叉领域，为大规模多中心生存数据的协作分析提供了新的技术思路，对推动真实世界医疗数据研究具有参考价值。 #论文 #生存分析 #分布式估计 #通信效率 #异质性 #多中心数据 #统计方法 #arXiv

通用 OOD 检测新方法

近日，一篇题为《General OOD Detection via Model-aware and Subspace-aware Variable Priority》的论文在 arXiv 上发布，作者为 Min Lu 和 Hemant Ishwaran。该研究聚焦分布外（OOD）检测这一机器学习关键问题，提出了一种融合模型感知与子空间感知的变量优先级策略，旨在提升模型对未知或异常样本的识别能力。论文于 2025 年 12 月首次提交，并在 2026 年 8 月更新版本，目前提供 PDF 及 HTML 格式全文。该方法有望为高可靠性场景下的模型安全性提供新的解决思路。 #OOD检测 #机器学习 #arXiv #论文 #模型安全

低秩矩阵推断中的稀疏损坏问题新论文在 arXiv 发布

一篇题为“Sparse corruption in low-rank matrix inference: the PCA benchmark”的学术论文近日在 arXiv 预印本平台发布，作者为 Urte Adomaityte 及其他两位合作者。论文聚焦低秩矩阵推断中因稀疏异常值（即少数元素被破坏）所引发的问题，并以主成分分析（PCA）作为研究基准。低秩矩阵推断是机器学习和统计学中的基础性课题，广泛应用于降维、信号处理和推荐系统等领域，而稀疏损坏会干扰模型对潜结构的估计。论文第一版于2025年11月提交，后于2026年8月发布更新版本。目前，读者可通过 arXiv 访问论文的 PDF 和 HTML 全文，并可获取 BibTeX 引用信息。这一研究或为相关领域的鲁棒推断方法提供新的视角。 #学术论文 #arXiv #机器学习 #统计学 #低秩矩阵 #主成分分析 #稀疏异常值

可扩展的给定数据Sobol指数估计器方法研究发布

近期，一篇题为《Scalable extensions to given-data Sobol' index estimators》的学术论文在arXiv平台公开，作者为Teresa Portone等人。该研究聚焦于敏感性分析中的Sobol指数估计问题，提出了一种可扩展的扩展方法，旨在提升在给定数据条件下估计效率与计算性能。Sobol指数是量化模型输入变量对输出方差贡献的重要工具，广泛应用于工程、金融和环境科学等领域。论文针对传统估计器在数据量大或维度较高时计算成本高昂的瓶颈，设计了新的扩展策略，有望进一步推动高维复杂模型的不确定性量化分析。目前该论文已提供PDF、HTML及TeX源码等访问形式，并收录于arXiv的统计与计算机科学相关板块。 #学术论文 #Sobol指数 #敏感性分析 #统计学 #arXiv

可逆生成模型提出新框架，统一求解正反问题

一篇题为《An invertible generative model for forward and inverse problems》的学术论文已上传至arXiv预印本平台，作者包括Christoph Brune等人。该研究围绕可逆生成模型展开，旨在为正向与逆向问题提供统一的求解框架。在科学计算中，正向问题关注从已知参数生成观测数据，而逆向问题则需从观测中反推未知参数，两者在成像、信号处理等领域具有广泛需求。论文提出的模型或通过可逆网络结构实现双向映射，以提升求解的稳定性和效率。相关预印本已提供PDF、HTML及TeX源码等访问方式，并已获得arXiv分配的DOI。该工作的发布为生成模型在科学计算中的应用提供了新的思路和参考。 #生成模型 #正反问题 #arXiv #科学计算 #机器学习 #预印本

neuralGAM：用于拟合广义加性神经网络的R包正式发布

一篇题为《neuralGAM: An R Package for Fitting Generalized Additive Neural Networks》的学术论文于2025年5月提交至arXiv，并于2026年8月更新。该论文介绍了一个名为neuralGAM的R软件包，专门用于拟合广义加性神经网络模型。该模型结合了广义加性模型的可解释性与深度神经网络的灵活性，能够有效捕捉高维数据中的非线性关系和交互效应。论文作者为Ines Ortega-Fernandez等人，相关成果已被《The R Journal》接收发表。该软件包的发布为统计建模和机器学习领域提供了新的工具，有望在生物医学、经济学等复杂数据场景中得到广泛应用。 #R语言 #神经网络 #广义加性模型 #统计建模 #机器学习 #学术论文 #开源软件

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

《面向机器学习者的最优传输》论文发布，多次修订内容大幅扩充

Gabriel Peyré 在 arXiv 平台发布论文《面向机器学习者的最优传输》，系统探讨最优传输理论及其在机器学习领域中的应用。该论文自2025年5月首次提交以来，历经多轮修订，最新版本于2026年8月上线。从版本信息来看，文件大小从初版的约 117 KB 扩展至最新版的约 23 MB，篇幅大幅增加，表明作者对内容进行了深度扩充与完善。论文全文目前均可免费查阅。 #机器学习 #最优传输 #论文 #arXiv #数学 #AI

深层Heaviside网络的表达能力

这篇题为《论深度Heaviside网络的表达能力》的论文由Insung Kong等人撰写，作为预印本发布于arXiv平台。Heaviside网络指采用阶跃函数作为激活函数的神经网络，其输出具有离散性，与传统连续激活函数网络有显著差异。论文聚焦于深度结构下这类网络的表达能力问题，探讨了网络深度如何影响其能够表示的函数类与复杂度边界，并为理解离散激活神经网络的机理提供理论视角。该工作可能对神经网络模型设计及可解释性研究有所启发。论文于2025年4月提交初版，并在2026年8月完成更新，相关全文可通过arXiv获取。 #arXiv #论文 #神经网络 #Heaviside #深度学习 #表达能力

机器学习用于反问题与数据同化

近日，Eviatar Bach 等人在 arXiv 预印本平台提交了一篇题为《机器学习用于反问题与数据同化》的论文。该论文系统探讨了机器学习方法在解决反问题以及数据同化领域的应用，覆盖了相关理论、算法及实践案例。论文自2024年10月首次提交，历经多次更新，最新版本于2026年8月发布。研究旨在利用深度学习等技术提升传统反问题求解与数据同化过程的效率与精度，对气象学、地球物理、图像重建等领域具有重要参考价值。目前全文可通过 arXiv 开放获取。 #机器学习 #反问题 #数据同化 #arXiv #学术论文 #AI #深度学习

BDH-CQ

一篇题为《BDH-CQ: In-Context Learning with Recurrent Latent Reasoning》的论文已提交至arXiv预印本平台，由Björn Engdahl与另外8位合作者共同完成，于2026年8月10日发布。论文标题显示，其研究方向聚焦于循环潜在推理与上下文学习的结合，可能为提升大语言模型在少样本场景下的推理能力提供新思路。目前该论文已开放PDF、HTML及TeX源码等访问方式，供相关领域研究者查阅与引用。该工作或对机器学习、自然语言处理等方向产生一定影响。 #arXiv #论文 #机器学习 #深度学习 #上下文学习 #自然语言处理 #AI #推理

朗之万动力学在实解析势零集上的行为研究获新进展

一篇题为《Langevin dynamics along the zero set of real-analytic potentials》的数学论文近日在arXiv预印本平台发布，作者为Martin Larsson。论文主要研究朗之万动力学在实解析势函数零集上的运动性质，属于随机过程与动力系统交叉领域。朗之万方程常用于描述粒子在势场中的随机运动，而势函数零集的结构对系统长期行为具有关键影响。该研究可能为随机采样、优化算法及统计物理中的相关模型提供理论支撑。论文当前以HTML和PDF格式开放获取，并可通过DataCite获取DOI。作者于2026年8月10日提交初稿，浏览分类涵盖数学与统计学方向。 #数学 #随机过程 #朗之万动力学 #arXiv #预印本

SR-OPSD论文发布

近日，由Zhuo Sun等十位研究者共同撰写的论文《SR-OPSD: Self-Referenced On-Policy Self-Distillation》在arXiv预印本平台正式公开。该研究提出一种名为SR-OPSD的自蒸馏方法，核心思路是利用模型自身的预测结果作为学习信号，结合在线策略更新机制进行持续优化，从而减少对外部教师模型或静态标签的依赖。这一方法有望提升模型在复杂任务中的适应能力与训练效率，尤其在强化学习等需要在线决策的场景中具有潜在应用价值。论文已通过arXiv存档，并提供PDF、HTML及TeX源码等多种访问方式，便于学术界进一步阅读与引用。目前该论文仍处于预印本阶段，尚未经过同行评审。 #arXiv #自蒸馏 #强化学习 #机器学习 #AI #论文 #预印本 #深度学习

测试时增强研究

一篇发表于 arXiv 的论文探讨了大型语言模型在测试时增强（Test-Time Augmentation）中的策略选择问题。作者 Nikita Kozodoi 等人提出，在匹配计算资源的前提下，输入多样性与输出多样性对模型性能的影响存在差异，并发现输入多样性相比输出多样性更具优势。该研究于 2026 年 8 月提交，涉及计算机科学和统计学领域，为提升 LLM 推理时的表现提供了新的视角。论文还提供了完整的 PDF 和 HTML 版本供研究者参考。 #AI #大模型 #LLM #测试时增强 #机器学习 #arXiv #论文

熵部分最优传输与高斯混合模型间的部分Gromov

近日，一篇题为《Entropic Partial Optimal Transport and Partial Gromov--Wasserstein Distance between Gaussian Mixtures》的学术论文在arXiv上发布。该研究聚焦于高斯混合模型（GMM）之间的度量问题，提出了熵正则化的部分最优传输（Partial Optimal Transport）以及部分Gromov-Wasserstein距离的计算方法。传统最优传输距离在处理高斯混合数据时面临计算复杂度和局部匹配的挑战，而该工作通过引入熵正则化项，有效降低了计算成本，并允许在不完全匹配的情况下进行部分传输。该方法为数据科学、机器学习及图像分析等领域提供了一种新的理论工具，尤其适用于处理具有不同结构或部分重叠的数据分布。论文提供了详细的数学推导和实验验证，展示了所提距离在聚类、域适应等任务中的优势。 #最优传输 #GromovWasserstein #高斯混合模型 #熵正则化 #机器学习 #论文 #数学

分数驱动滤波器中尺度参数的在线学习研究

一篇题为《Online Learning of Scale Parameters in Score-Driven Filters》的学术论文近期出现在arXiv预印本平台，作者为Fabrizio Lillo及另外两名合作者。论文聚焦于得分驱动滤波器（score-driven filters）框架中尺度参数的在线估计问题，提出了一种动态学习机制，能够在数据流中自适应更新尺度参数，从而提升滤波器的鲁棒性与预测性能。该研究属于统计学、数学与计算机科学的交叉领域，可能对金融时间序列建模、信号处理及机器学习中的在线参数估计具有参考价值。论文已提供PDF、HTML及TeX源码链接，并可通过DataCite获取DOI（待注册）。目前该论文尚未正式发表，处于预印本阶段，浏览上下文显示其提交于2026年8月。 #论文 #arXiv #在线学习 #尺度参数 #统计 #机器学习 #时间序列

论文提出金融市场智能体结构化运行时治理框架

一篇题为《Context Is Not Authority: Structured Runtime Governance for Financial Market Agents》的学术论文由Rui Tang等六位作者共同完成，于2026年8月10日提交至arXiv预印本平台。该研究聚焦金融市场中人工智能智能体（Agent）的运行时治理问题，提出结构化治理框架，强调上下文信息不应被视为权威，而需通过明确的规则与机制对智能体行为进行动态约束与监管。研究旨在提升金融领域AI应用的安全性、可控性与可靠性，为相关系统的合规运行提供理论支撑。 #论文 #arXiv #金融 #智能体 #AI治理 #运行时治理

可证明参数无关不动点算法实现线性收敛速率

论文《Provable Parameter-Free Fixed-Point Algorithms with Linear Convergence Rates》（可证明参数无关不动点算法与线性收敛速率）由Quoc Tran-Dinh与其他两位作者共同完成，于2026年8月10日提交至arXiv预印本平台。论文归属于数学与统计交叉分类，主要提出一类无需预设参数的不动点算法，并对其线性收敛性质给出理论证明。该研究为优化领域中的参数调节问题提供了一种可能的解决思路，同时论文还提供PDF、HTML、TeX源码等多种获取方式，便于相关领域研究者查阅与使用。 #数学 #算法 #不动点 #线性收敛 #arXiv #优化 #统计学

AI预测集成是否采样正确的条件分布？新论文上arXiv

由Lucas J. Howard和Elizabeth A. Barnes撰写的研究论文《Do AI Forecast Ensembles Sample the Correct Conditional Distribution?》已于2026年8月9日提交至arXiv预印本平台。论文关注人工智能预测集成方法在概率预报中的应用，核心问题是其生成的预测结果是否真正从正确的条件分布中采样。该问题对于天气气候预测、金融风险评估等依赖不确定性量化的领域具有重要意义。目前论文提供PDF及HTML版本，相关数据和代码尚未公开，研究结论有待同行评议。 #AI #机器学习 #arXiv #论文 #预测 #不确定性量化

条件重采样滑动窗口计数核论文发布，推导谱隙界与庞加莱不等式

一篇题为《Conditionally Resampled Sliding-Window Count Kernels: Spectral-Gap Bounds and Poincaré Inequalities》的数学论文在arXiv预印本平台提交。作者为Yanjin Xiang等人，论文于2026年8月9日首次发布。研究围绕条件重采样滑动窗口计数核展开，重点推导了其谱隙界，并建立了相应的庞加莱不等式，为理解该核函数的收敛性质与遍历行为提供了理论支撑。论文同时提供PDF全文、实验性HTML版本及TeX源码，供相关领域研究者参考。 #数学 #统计 #arXiv #核方法 #随机过程 #论文

欺诈运营自动化授权决策支持框架研究登上 arXiv

来自同济大学等机构的研究者 Jie Deng 等人在 arXiv 平台上发布了一篇题为“欺诈运营何时可授权自动化？”的论文。该研究提出一种决策支持框架，旨在帮助欺诈运营团队在权衡新鲜审计证据与审查工作量的基础上，确定自动化授权的合适时机。这一框架或为风控与审计流程优化提供理论参考，目前论文已提供 PDF 与 HTML 等阅读方式。 #欺诈运营 #自动化 #决策支持 #审计 #arXiv #论文 #风控