大规模需求转移估计
一篇来自arXiv的论文提出了一种基于受限Logit模型的大规模需求转移估计方法。研究团队由Lakshya Garg等7位作者组成，于2026年8月提交。该工作旨在解决电商、零售等领域中，当产品价格、特征或上架状态变化时，消费者需求在不同商品间转移的精确量化难题。传统方法在大规模商品集合中计算成本过高，且难以捕捉复杂的替代模式。论文通过引入受限Logit模型，对选择概率矩阵施加结构化约束，显著降低了估计复杂度，同时保持了模型的可解释性。实验表明，该方法在真实数据集上能够高效、准确地估计需求转移矩阵，为定价优化、库存管理和品类规划提供了有力工具。该研究对推动大规模推荐系统和动态定价策略的发展具有潜在价值。 #arXiv #需求转移 #Logit模型 #机器学习 #电商 #定价优化 #库存管理 #论文研究
一篇来自arXiv的论文提出了一种基于受限Logit模型的大规模需求转移估计方法。研究团队由Lakshya Garg等7位作者组成，于2026年8月提交。该工作旨在解决电商、零售等领域中，当产品价格、特征或上架状态变化时，消费者需求在不同商品间转移的精确量化难题。传统方法在大规模商品集合中计算成本过高，且难以捕捉复杂的替代模式。论文通过引入受限Logit模型，对选择概率矩阵施加结构化约束，显著降低了估计复杂度，同时保持了模型的可解释性。实验表明，该方法在真实数据集上能够高效、准确地估计需求转移矩阵，为定价优化、库存管理和品类规划提供了有力工具。该研究对推动大规模推荐系统和动态定价策略的发展具有潜在价值。 #arXiv #需求转移 #Logit模型 #机器学习 #电商 #定价优化 #库存管理 #论文研究
CAKE: 编译器与智能体协同设计推动前沿内核进化
一篇题为《CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution》的学术论文近日在arXiv上发布。该论文由Zihao Ye等14位研究者共同完成，提出了一种编译器与智能体协同设计的新方法，旨在解决前沿计算内核（如深度学习、科学计算中的高性能算子）的自动化优化难题。传统方法依赖人工专家或单纯编译器优化，效率有限。CAKE框架通过引入智能体（Agent）与编译器深度协作，实现内核的自动探索与演化，有望显著提升特定硬件上的执行效率。该研究为高性能计算与AI系统优化提供了新思路，未来可能加速芯片设计、大模型推理等领域的性能突破。 #AI #编译器 #高性能计算 #论文 #学术研究 #深度学习 #系统优化 #arXiv
一篇题为《CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution》的学术论文近日在arXiv上发布。该论文由Zihao Ye等14位研究者共同完成，提出了一种编译器与智能体协同设计的新方法，旨在解决前沿计算内核（如深度学习、科学计算中的高性能算子）的自动化优化难题。传统方法依赖人工专家或单纯编译器优化，效率有限。CAKE框架通过引入智能体（Agent）与编译器深度协作，实现内核的自动探索与演化，有望显著提升特定硬件上的执行效率。该研究为高性能计算与AI系统优化提供了新思路，未来可能加速芯片设计、大模型推理等领域的性能突破。 #AI #编译器 #高性能计算 #论文 #学术研究 #深度学习 #系统优化 #arXiv
GENERIC动力学结构保持不确定性量化方法研究
Zequn He等人在arXiv上提交了一篇题为“Structure-preserving uncertainty quantification for GENERIC dynamics”的论文。该研究针对GENERIC（通用方程可逆不可逆共轭）动力学框架，提出了一种保持系统几何结构的不确定性量化方法。GENERIC框架广泛应用于多物理场热力学建模，但传统不确定性量化手段往往破坏其内在的对称性和守恒律。作者通过开发结构保持的数值算法，在量化不确定性的同时确保了系统的热力学一致性和物理可解释性。该工作为复杂多物理系统的可靠数值模拟提供了新思路，对能源、材料等领域具有理论价值。 #论文 #GENERIC #不确定性量化 #结构保持 #arXiv #动力学 #热力学 #数值模拟 #多物理场
Zequn He等人在arXiv上提交了一篇题为“Structure-preserving uncertainty quantification for GENERIC dynamics”的论文。该研究针对GENERIC（通用方程可逆不可逆共轭）动力学框架，提出了一种保持系统几何结构的不确定性量化方法。GENERIC框架广泛应用于多物理场热力学建模，但传统不确定性量化手段往往破坏其内在的对称性和守恒律。作者通过开发结构保持的数值算法，在量化不确定性的同时确保了系统的热力学一致性和物理可解释性。该工作为复杂多物理系统的可靠数值模拟提供了新思路，对能源、材料等领域具有理论价值。 #论文 #GENERIC #不确定性量化 #结构保持 #arXiv #动力学 #热力学 #数值模拟 #多物理场
ReLU 激活函数的布尔能力研究
一篇题为《The Boolean Power of ReLU》的学术论文近期在 arXiv 上发布，由 Pablo Barceló、Floris Geerts、Matthias Lanzinger、Klara Pakhomenko 和 Jan Van den Bussche 共同撰写。该论文深入探讨了 ReLU（修正线性单元）激活函数在布尔逻辑表达中的能力，分析了 ReLU 网络如何表示和计算布尔函数，并揭示了其相较于传统激活函数的独特优势。研究为理解深度学习中 ReLU 的理论基础提供了新视角，对神经网络的可解释性及架构设计具有潜在影响。论文目前可通过 arXiv 获取全文。 #ReLU #深度学习 #神经网络 #布尔函数 #AI理论 #arXiv #学术论文
一篇题为《The Boolean Power of ReLU》的学术论文近期在 arXiv 上发布，由 Pablo Barceló、Floris Geerts、Matthias Lanzinger、Klara Pakhomenko 和 Jan Van den Bussche 共同撰写。该论文深入探讨了 ReLU（修正线性单元）激活函数在布尔逻辑表达中的能力，分析了 ReLU 网络如何表示和计算布尔函数，并揭示了其相较于传统激活函数的独特优势。研究为理解深度学习中 ReLU 的理论基础提供了新视角，对神经网络的可解释性及架构设计具有潜在影响。论文目前可通过 arXiv 获取全文。 #ReLU #深度学习 #神经网络 #布尔函数 #AI理论 #arXiv #学术论文
研究提出“先表征再生成”方法，解决多模态条件下不规则缺失时序数据生成问题
来自arXiv的一篇论文提出了一种名为“Represent, Then Generate”的新框架，旨在解决多模态条件下不规则缺失时间序列数据的生成难题。该工作由Haochen Zhang等人完成，针对现实场景中传感器数据常存在随机缺失、采样不规则以及多模态信息并存的问题，提出先通过自监督学习对缺失模式进行鲁棒表征，再基于该表征条件生成完整的时间序列。该方法在多个基准数据集上有效提升了生成质量，尤其在高缺失率下表现优异，为医疗监测、工业物联网等领域的时序数据补全与生成提供了新思路。 #多模态 #时间序列 #生成模型 #缺失数据 #AI #论文 #arXiv #机器学习 #时序数据
来自arXiv的一篇论文提出了一种名为“Represent, Then Generate”的新框架，旨在解决多模态条件下不规则缺失时间序列数据的生成难题。该工作由Haochen Zhang等人完成，针对现实场景中传感器数据常存在随机缺失、采样不规则以及多模态信息并存的问题，提出先通过自监督学习对缺失模式进行鲁棒表征，再基于该表征条件生成完整的时间序列。该方法在多个基准数据集上有效提升了生成质量，尤其在高缺失率下表现优异，为医疗监测、工业物联网等领域的时序数据补全与生成提供了新思路。 #多模态 #时间序列 #生成模型 #缺失数据 #AI #论文 #arXiv #机器学习 #时序数据
基于世界模型扩展自动研究代理，新论文探索AI科研自动化
一篇名为《Scaling Automatic Research Agents via World Models》的论文近期在arXiv上提交。该研究由杨希源等十位作者共同完成，核心探索如何通过构建世界模型来扩展自动研究代理的能力。论文提出，将世界模型集成到自动研究代理中，可以帮助代理在复杂科研环境中进行推理、规划与决策，从而提升自主研究效率。该方法有望在文献分析、实验设计、假设生成等环节实现更高水平的自动化，推动AI在科学研究领域的应用。目前该论文已开放PDF和HTML版本供下载。 #AI #自动研究 #世界模型 #论文 #科研自动化 #arXiv #机器学习
一篇名为《Scaling Automatic Research Agents via World Models》的论文近期在arXiv上提交。该研究由杨希源等十位作者共同完成，核心探索如何通过构建世界模型来扩展自动研究代理的能力。论文提出，将世界模型集成到自动研究代理中，可以帮助代理在复杂科研环境中进行推理、规划与决策，从而提升自主研究效率。该方法有望在文献分析、实验设计、假设生成等环节实现更高水平的自动化，推动AI在科学研究领域的应用。目前该论文已开放PDF和HTML版本供下载。 #AI #自动研究 #世界模型 #论文 #科研自动化 #arXiv #机器学习
GENADA
近日，一篇题为《GENADA: efficient generative time series adversarial attack framework》的论文在arXiv预印本平台上线。该论文由Michael Baronov等四位作者共同完成，提交于2026年8月12日。研究提出了一种名为GENADA的生成式框架，旨在高效地对时间序列数据实施对抗攻击。传统对抗攻击方法在处理时间序列时往往面临计算成本高、攻击效率低等问题，GENADA通过生成式模型设计，能够更快速、更隐蔽地生成对抗样本，从而测试和提升时间序列模型（如金融预测、传感器数据分析等）的鲁棒性。该框架的发布为时间序列领域的安全研究提供了新工具，并可能推动相关防御机制的发展。 #论文 #AI #时间序列 #对抗攻击 #生成模型 #安全 #arXiv
近日，一篇题为《GENADA: efficient generative time series adversarial attack framework》的论文在arXiv预印本平台上线。该论文由Michael Baronov等四位作者共同完成，提交于2026年8月12日。研究提出了一种名为GENADA的生成式框架，旨在高效地对时间序列数据实施对抗攻击。传统对抗攻击方法在处理时间序列时往往面临计算成本高、攻击效率低等问题，GENADA通过生成式模型设计，能够更快速、更隐蔽地生成对抗样本，从而测试和提升时间序列模型（如金融预测、传感器数据分析等）的鲁棒性。该框架的发布为时间序列领域的安全研究提供了新工具，并可能推动相关防御机制的发展。 #论文 #AI #时间序列 #对抗攻击 #生成模型 #安全 #arXiv
利用Householder矩阵探索图神经网络过度平滑问题
arXiv上最新论文《Exploring Oversmoothing with Householder Matrices》由Bhaskar Karol提交。该研究聚焦于图神经网络（GNN）中常见的过度平滑问题，即随着网络层数加深，节点表示趋于一致，导致模型性能下降。作者提出利用Householder矩阵（一种正交矩阵）来建模和缓解这一现象，通过保持节点特征的多样性来提升深层GNN的表达能力。论文于2026年8月12日提交至arXiv，为深层图网络的设计提供了新的理论视角和潜在方法，相关实验与分析有待正式发布后进一步验证。 #图神经网络 #过度平滑 #Householder矩阵 #深度学习 #AI #arXiv #论文
arXiv上最新论文《Exploring Oversmoothing with Householder Matrices》由Bhaskar Karol提交。该研究聚焦于图神经网络（GNN）中常见的过度平滑问题，即随着网络层数加深，节点表示趋于一致，导致模型性能下降。作者提出利用Householder矩阵（一种正交矩阵）来建模和缓解这一现象，通过保持节点特征的多样性来提升深层GNN的表达能力。论文于2026年8月12日提交至arXiv，为深层图网络的设计提供了新的理论视角和潜在方法，相关实验与分析有待正式发布后进一步验证。 #图神经网络 #过度平滑 #Householder矩阵 #深度学习 #AI #arXiv #论文
Transformer残差流中的几何与行为分层研究
一篇题为《Transformer残差流中的几何与行为分层》的学术论文正式公开。研究者Nelson Guda提出了一个全新的分析框架，旨在揭示Transformer模型在残差流中隐藏的表示结构。该工作通过几何方法将每一层的激活状态进行分层，并关联到特定行为模式，从而在模型内部构建出清晰的“几何-行为”映射关系。这一研究有助于理解大型语言模型如何处理复杂语义与推理任务，为提升模型可解释性提供了理论支撑。论文已在arXiv预印本平台发布，后续可能对AI模型的安全与可控性研究产生积极影响。 #Transformer #残差流 #几何分层 #行为分析 #AI可解释性 #深度学习 #论文 #arXiv
一篇题为《Transformer残差流中的几何与行为分层》的学术论文正式公开。研究者Nelson Guda提出了一个全新的分析框架，旨在揭示Transformer模型在残差流中隐藏的表示结构。该工作通过几何方法将每一层的激活状态进行分层，并关联到特定行为模式，从而在模型内部构建出清晰的“几何-行为”映射关系。这一研究有助于理解大型语言模型如何处理复杂语义与推理任务，为提升模型可解释性提供了理论支撑。论文已在arXiv预印本平台发布，后续可能对AI模型的安全与可控性研究产生积极影响。 #Transformer #残差流 #几何分层 #行为分析 #AI可解释性 #深度学习 #论文 #arXiv
个性化评分员建模：基于学习框架从多位专家中获取稳健睡眠阶段标签
近日，一篇名为《Personalized Scorer Modeling: A Learning-Based Framework for Deriving Robust Sleep Stage Labels from Multiple Experts》的论文在arXiv上预发布。该研究由Seyyed Ali Hoseini等人提出，针对睡眠分期标注中不同专家评分不一致的问题，设计了一种个性化评分员建模框架。该框架通过机器学习方法，自动学习每位专家的评分偏好与偏差，从而融合多位专家的标注信息，生成更稳健、可靠的睡眠阶段标签。实验结果表明，该方法能有效提升标签一致性，并减少主观差异对后续分析的影响。该工作为睡眠医学中的自动化标注提供了新思路，有望推动睡眠障碍诊断的标准化。 #睡眠分期 #机器学习 #专家标注 #健康AI #arXiv论文 #数据融合 #生物医学工程
近日，一篇名为《Personalized Scorer Modeling: A Learning-Based Framework for Deriving Robust Sleep Stage Labels from Multiple Experts》的论文在arXiv上预发布。该研究由Seyyed Ali Hoseini等人提出，针对睡眠分期标注中不同专家评分不一致的问题，设计了一种个性化评分员建模框架。该框架通过机器学习方法，自动学习每位专家的评分偏好与偏差，从而融合多位专家的标注信息，生成更稳健、可靠的睡眠阶段标签。实验结果表明，该方法能有效提升标签一致性，并减少主观差异对后续分析的影响。该工作为睡眠医学中的自动化标注提供了新思路，有望推动睡眠障碍诊断的标准化。 #睡眠分期 #机器学习 #专家标注 #健康AI #arXiv论文 #数据融合 #生物医学工程
MARCH 论文提出基于内容路由状态锚点的递归记忆扩展方法
一篇题为《MARCH: Scaling Recurrent Memory with Content-Routed State Anchors》的学术论文在 arXiv 上发布。该研究由 Ming Zhang 等八位作者共同完成，提出了一种名为 MARCH 的新型递归记忆扩展机制，通过“内容路由状态锚点”技术，旨在提升模型在处理长序列任务时的记忆容量与效率。论文详细介绍了该方法如何将外部记忆与递归神经网络相结合，利用内容路由动态选择关键状态，从而在不显著增加计算开销的情况下实现记忆规模的线性扩展。该工作对于自然语言处理、序列建模等领域的长期依赖问题具有潜在应用价值。 #论文 #AI #机器学习 #递归神经网络 #记忆模型 #arXiv #自然语言处理
一篇题为《MARCH: Scaling Recurrent Memory with Content-Routed State Anchors》的学术论文在 arXiv 上发布。该研究由 Ming Zhang 等八位作者共同完成，提出了一种名为 MARCH 的新型递归记忆扩展机制，通过“内容路由状态锚点”技术，旨在提升模型在处理长序列任务时的记忆容量与效率。论文详细介绍了该方法如何将外部记忆与递归神经网络相结合，利用内容路由动态选择关键状态，从而在不显著增加计算开销的情况下实现记忆规模的线性扩展。该工作对于自然语言处理、序列建模等领域的长期依赖问题具有潜在应用价值。 #论文 #AI #机器学习 #递归神经网络 #记忆模型 #arXiv #自然语言处理