H-VAEP 与 H-xT

该研究由 Julius Broermann 等学者提出，借鉴足球领域的预期进球（xG）模型，针对手球运动开发了 H-VAEP 和 H-xT 两种评估框架。H-VAEP（手球预期进球价值）通过估计每次持球进攻动作转化为射门或得分的概率，量化球员在场上决策与执行的价值；H-xT（手球预期威胁）则进一步衡量进攻动作对后续得分威胁的贡献。研究基于大量比赛数据构建概率模型，能够客观评价传球、突破、射门等行为的实际效果，为教练组提供战术分析工具，帮助识别高效进攻模式与球员真实贡献。该工作填补了手球运动量化分析领域的空白，有望推动手球运动的数据化发展。 #手球 #量化分析 #HVAEP #HxT #运动科学 #数据驱动 #战术分析 #AI体育

动量作为残差驱动的乘子校正

一篇来自arXiv的预印本论文提出了一种对深度学习优化中动量机制的重新解释。该研究将动量优化器视为一种残差驱动的乘子校正方法，而非传统的加速梯度下降技术。作者通过理论分析表明，动量项实际上是对梯度方向的残差进行修正，从而更有效地调整参数更新步长。实验验证了该方法在多种深度学习任务中相比标准动量优化器具有更快的收敛速度和更好的泛化性能。这一发现为理解动量优化器的内在机制提供了新视角，并可能推动更高效的优化算法设计。 #深度学习 #优化算法 #动量 #残差驱动 #乘子校正 #AI #机器学习 #论文

通过空间关系学奖励建模实现深度强化学习中的社会合规导航

该研究提出了一种基于空间关系学（Proxemics）的奖励建模方法，用于解决深度强化学习中的社会合规导航问题。传统导航算法常忽视人类社交距离规范，导致机器人或自动驾驶车辆在人群中的行为不自然或侵入性过强。论文作者通过将人类社交空间距离准则（如亲密距离、个人距离等）编码为奖励函数，引导智能体学习在动态环境中保持适当的人际距离，避免碰撞或造成不适。实验表明，该方法显著提升了导航效率与行人舒适度，使智能体能够在拥挤场景中实现更自然、可接受的交互行为。该工作为社交机器人、自动驾驶等领域的自主导航提供了新的设计思路。 #深度强化学习 #社会合规导航 #空间关系学 #机器人导航 #AI #人机交互 #学术论文

Q-learning 过估计偏差新解法

一篇来自 arXiv 的预印本论文重新审视了 Q-learning 中的过估计偏差问题，并提出了一种名为“动作交集”的新方法，以解决大离散动作空间下的学习困境。传统 Q-learning 在处理大规模动作时容易因过估计偏差导致策略不稳定，而该研究通过引入动作交集机制，有效缩小了候选动作范围，从而抑制了偏差累积。实验表明，该方法在多个基准任务上显著提升了收敛速度和最终性能，为强化学习在复杂离散控制场景中的应用提供了新思路。 #强化学习 #Qlearning #过估计偏差 #动作交集 #机器学习 #AI #论文 #arXiv #离散动作空间

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

EGRL：边生成引导的关系感知学习用于RNA

来自arXiv最新预印本，李丹宇等研究者提出了一种名为EGRL的新方法，用于预测RNA-蛋白质相互作用。该方法通过边生成引导的策略，结合关系感知学习，能够更有效地捕捉RNA与蛋白质之间的复杂关系。研究团队在多个基准数据集上进行了实验，结果表明EGRL在预测准确性和泛化能力上优于现有方法。该模型利用了图神经网络的边生成机制，从而增强了对RNA-蛋白质相互作用模式的建模能力，有望为生物信息学中的功能注释和药物发现提供有力工具。 #RNA #蛋白质相互作用 #图神经网络 #深度学习 #生物信息学 #论文 #arXiv

自适应k近邻分类器

近日，一篇题为《Adaptive k Nearest Neighbors Classifier via Granular Ball Computing》的学术论文在arXiv预印本平台发布。该研究提出了一种基于粒度球计算的自适应k近邻分类器，旨在解决传统k近邻算法中k值选择困难、对噪声敏感等问题。通过引入粒度球计算，该方法能够自动调整局部邻域大小，从而提升分类精度与鲁棒性。实验结果表明，在多个基准数据集上，该算法相比传统kNN及若干变体具有更优性能。该工作为模式识别与机器学习领域提供了新的思路，尤其适用于处理高维与复杂分布数据。 #机器学习 #k近邻 #粒度球计算 #自适应算法 #分类器 #arXiv #学术论文 #模式识别

利用弱形式与帕累托子集选择，鲁棒数据驱动发现分数阶微分方程新方法

来自日本的研究人员提出了一种基于弱形式与帕累托子集选择的新型数据驱动框架，用于从噪声观测数据中鲁棒地发现分数阶微分方程。该工作由Pongpisit Thanasutives和Yoshinobu Kawahara完成，相关论文已提交至arXiv预印本平台。传统方法在识别分数阶模型时易受噪声和模型选择偏差影响，而新方法通过弱形式离散化处理数据，并引入帕累托最优进行子集选择，从而在保持精度的同时显著提升鲁棒性。实验表明，该方法能有效识别多种经典分数阶微分方程，为复杂系统建模提供了有力工具。 #数据驱动 #分数阶微分方程 #弱形式 #帕累托优化 #鲁棒性 #模型发现 #arXiv #数学建模

可学习小波激活函数助力持续学习保持模型可塑性

近日，一篇题为《通过可学习小波激活函数在持续学习中维持可塑性》的论文在arXiv上预发布。该研究由Zeyang Zhang等人提出，旨在解决持续学习中模型在适应新任务时容易丧失可塑性的问题。作者引入可学习的小波激活函数，通过动态调整激活模式来维持网络的适应性，从而在多个持续学习基准测试中取得显著性能提升。该方法为应对灾难性遗忘提供了新思路，有望推动终身学习系统的发展。 #持续学习 #可塑性 #小波激活函数 #人工智能 #机器学习 #论文 #arXiv

概率电路曲率组合理论新论文发布

近日，一篇题为《概率电路中曲率的组合理论》的论文在arXiv预印本平台发布。该论文由Hrithik Suresh等六位作者共同撰写，提出了一种新的理论框架，用于分析概率电路中的曲率结构。研究通过组合方法揭示了概率电路几何性质与计算效率之间的内在联系，为理解复杂概率模型的优化与泛化提供了新视角。该成果有望推动概率电路在机器学习、AI推理等领域的应用，提升模型的可解释性与性能。 #概率电路 #曲率 #组合理论 #机器学习 #AI #arXiv #论文

Fast A/B/n 测试新方法

近日，一篇题为《Fast A/B/n Testing: Exact Multi-Policy Comparison via Tree-Coupled Feedback Sharing》的论文在 arXiv 上发布。该研究由 Yuxiao Wen 完成，提出了一种针对 A/B/n 测试（多策略对比）的快速算法。传统 A/B 测试只比较两个版本，而 A/B/n 测试需同时评估多个策略。论文通过树耦合反馈共享机制，在保证统计精确性的前提下大幅提升效率，解决了多策略比较中样本浪费和计算成本高的问题。该方法有望广泛应用于在线推荐系统、网页优化和实验设计等领域，为数据驱动的决策提供更高效的工具。 #A/B测试 #多策略比较 #树耦合 #机器学习 #实验设计 #算法优化 #arXiv #科技论文

HiRoute: 分层路由提示调优助力大语言模型安全对齐

来自arXiv的一篇论文提出了一种名为HiRoute（分层路由提示调优）的新方法，旨在提升大语言模型的安全对齐能力。该方法通过构建分层的提示路由机制，在不同安全场景下动态选择最优的提示策略，从而在保持模型通用能力的同时，有效抑制有害输出。实验表明，HiRoute在多个安全基准测试上优于现有微调方法，为构建更安全、更可控的AI系统提供了新思路。 #AI安全 #大语言模型 #提示调优 #安全对齐 #arXiv论文 #机器学习

CoMedBench：合成医学数据保真度与下游效用的多源基准发布

据arXiv预印本平台显示，一项名为CoMedBench的新研究由Akanta Das等六位作者于2026年8月13日提交。该研究提出一个多源基准，用于评估合成医学数据的保真度及其在下游任务中的实用性。随着合成数据在医疗领域（如隐私保护、模型训练）的应用日益广泛，如何衡量其质量成为关键挑战。CoMedBench通过整合多种来源的真实医学数据，构建了系统化的评估框架，旨在帮助研究人员和开发者客观比较不同合成数据生成方法的优劣。该基准的发布有望推动合成医学数据标准化评估，促进医疗AI的可靠发展。 #合成医学数据 #CoMedBench #数据保真度 #下游效用 #AI医疗 #医学基准 #数据隐私 #arXiv

深度搜索智能体新方法

arXiv 上近日公开了一篇题为《Beyond Outcome Rewards: Step-Level Self-Distilled Policy Optimization for Deep Search Agents》的论文。该研究针对深度搜索智能体训练中仅依赖结果奖励的局限，提出了一种步骤级自蒸馏策略优化方法。通过在搜索过程中对每一步推理进行细粒度奖励建模，并结合自蒸馏机制，智能体能够更高效地从自身探索经验中学习，显著提升复杂搜索任务中的决策质量与最终性能。该方法为强化学习在搜索和推理任务中的应用提供了新思路，有望推动智能体在信息检索、问答系统等领域的表现。 #深度搜索 #智能体 #强化学习 #自蒸馏 #策略优化 #AI #论文

去中心化多玩家Q学习算法

研究人员提出了一种新的去中心化多玩家Q学习算法，用于解决情节马尔可夫决策过程中信息不对称带来的挑战。该算法允许每个玩家独立进行学习，并通过协调机制有效处理玩家间信息不对称问题，在无需全局信息共享的情况下实现协同优化。研究为多智能体强化学习在分布式场景中的应用提供了理论支持，有望推动自动控制、智能电网等领域的实际部署。 #强化学习 #多智能体 #Q学习 #马尔可夫决策过程 #信息不对称 #AI #算法

云-边缘系统助力农村多模态临床筛查，突破资源限制

一项最新研究提出了一种专为资源受限的农村地区设计的云-边缘多模态临床筛查系统。该系统结合云端计算与边缘设备，能够处理包括影像、文本在内的多种临床数据，实现低延迟、高准确率的疾病筛查。研究团队在低基础设施环境下进行了测试，结果表明该系统在保证诊断质量的同时，显著降低了对网络带宽和本地计算能力的依赖。该技术有望为偏远地区提供可扩展的远程医疗解决方案，改善医疗资源不均的现状。 #云边协同 #多模态临床筛查 #资源受限 #农村医疗 #远程医疗 #人工智能 #医疗科技 #论文

MAG: 流形引导的半监督多模态上下文学习新方法

来自 arXiv 预印本平台，Zirui Cheng 等研究者提出了一种名为 MAG（MAnifold Guided）的半监督多模态上下文学习框架。该方法旨在利用少量标注样本和大量未标注数据，通过流形结构引导模型在多模态任务中实现更高效的上下文学习。与传统全监督方法不同，MAG 在保留上下文学习灵活性的同时，显著降低了对人工标注的依赖。实验表明，该框架在多个多模态基准上取得了与全监督方法相当的性能，尤其在数据稀缺场景下优势明显。相关论文已提交 arXiv，代码与数据待公开。 #MAG #半监督学习 #多模态 #上下文学习 #流形引导 #机器学习 #AI #论文

PRISM方法：扰动映射揭示语言模型与中风失语症的命名错误分离

一项新研究提出了一种名为PRISM（基于扰动的减法映射区域可解释性）的方法，用于探索语言模型和后中风失语症患者中的命名错误分离现象。该方法通过扰动模型特定区域并观察输出变化，构建减法映射，从而定位与命名错误相关的神经区域。研究团队将PRISM应用于多种语言模型，并与中风后失语症患者的脑损伤数据对比，发现模型与人类在命名错误类型上存在相似但非完全一致的分离模式。这一工作为理解语言加工机制和开发临床评估工具提供了新视角，有助于推动可解释AI在神经语言学中的应用。 #PRISM #语言模型 #失语症 #神经科学 #可解释AI #中风 #命名错误 #认知科学

联邦组合Muon优化器

一篇题为《Federated Compositional Muon Optimizer for Matrix-Wise Models》的论文近日在arXiv上发布。该论文由Wang Yan等作者提交，提出了一种专门针对矩阵模型设计的联邦组合Muon优化器。Muon优化器是一种基于动量更新的优化方法，本文将其扩展至联邦学习场景，通过组合策略优化矩阵模型的训练过程。论文目前以PDF和HTML形式提供，属于机器学习与优化领域的前沿研究，为联邦学习中的模型训练效率提升提供了新思路。 #联邦学习 #优化器 #矩阵模型 #Muon #arXiv #机器学习 #论文

LLM生成GPU内核验证器及Blackwell反向传播新方法问世

来自arXiv的一篇论文提出了一种合约级验证器，用于检验大语言模型 (LLM) 生成的GPU内核的正确性，同时还为门控线性递归系列 (Gated-Linear-Recurrence) 设计了原生Blackwell反向传播算法。该研究由Rishi Shah等人完成，旨在解决AI生成代码在生产环境中的可靠性问题。合约级验证器通过形式化方法确保内核行为符合预期，而新型反向传播则针对特定架构优化了计算效率。这项工作有望推动GPU编程的自动化，降低人工审查成本，同时提升AI模型训练和推理的稳定性。 #LLM #GPU #代码生成 #验证器 #AI #机器学习 #arXiv #论文 #深度学习 #高性能计算

自监督心电图表示学习中时间上下文长度与编码策略的影响研究

一篇题为《时间上下文长度与编码策略对自监督心电图表示学习的影响》的预印本论文近日在arXiv平台发布。该论文由Ahmed Sameh等三位作者共同完成，重点探讨了在自监督学习框架下，时间上下文窗口长度以及不同编码策略对心电图信号表示学习效果的潜在影响。研究旨在为心电信号的无监督特征提取提供更优的参数选择与模型设计思路，有望推动医疗AI在心律失常检测等领域的应用。 #心电图 #自监督学习 #表示学习 #时间上下文 #编码策略 #arXiv #论文 #AI #医疗AI