ScaleMAP

来自乔治亚理工学院的研究人员Rajas Poorna与Marcus T. Cicerone在arXiv上提交了题为“ScaleMAP: Preserving Local Density and Neighborhood Structure in Low-Dimensional Embeddings”的论文。该工作针对现有降维方法在低维映射中常扭曲局部密度和邻域结构的问题，提出了一种名为ScaleMAP的新算法。ScaleMAP通过优化嵌入过程中的尺度信息，在保持全局结构的同时更精确地保留数据的局部密度特征和邻域关系。实验表明，该方法在合成与真实数据集上均优于t-SNE和UMAP等经典技术，尤其适用于需要高保真局部层次结构的可视化与聚类任务。该成果有望提升单细胞测序、网络分析等领域的可解释性。 #论文 #降维 #局部密度 #邻域结构 #数据可视化 #机器学习 #ScaleMAP #arXiv

arXiv 新研究

近期，一篇来自 Oscar Thorsted Svendsen 等作者的 arXiv 预印本论文提出了一种改进相对表示的新方法。传统相对表示方法通常依赖固定锚点，存在表达能力受限的问题。该研究引入可学习的锚点，并结合白化内积来替代标准内积，从而更有效地捕捉数据间的相对关系。实验表明，该方法在多个基准任务上显著提升了表示质量，增强了模型泛化能力。这项工作为表示学习提供了新的技术路线，有望推动相关领域的发展。 #arXiv #机器学习 #表示学习 #相对表示 #锚点 #白化内积 #AI研究

科学机器学习在发动机健康管理与剩余使用寿命预测中的应用

一篇题为《科学机器学习在发动机健康管理与剩余使用寿命预测中的应用》的论文在arXiv预印本平台提交。该研究聚焦于利用科学机器学习方法，结合物理模型与数据驱动技术，对发动机运行状态进行实时监测，并准确预测其剩余使用寿命。发动机健康管理是航空、汽车等工业领域的关键环节，准确的剩余寿命预测有助于优化维护计划、降低运营成本并提升安全性。论文作者来自相关研究机构，论文详细介绍了所提出的框架、实验设置及性能评估结果，展示了科学机器学习在复杂工程系统预测维护中的潜力。 #科学机器学习 #发动机健康管理 #剩余使用寿命预测 #arXiv #论文 #机器学习 #预测维护 #工程应用

学习可迁移的可预测性表示

来自arXiv的一篇预印本论文《Learning Transferable Predictability Representations》由Diyali Goswami和Auroop R. Ganguly共同撰写。该研究聚焦于如何从数据中学习能够跨任务或领域迁移的可预测性表示，旨在提升模型在不同场景下对时间序列或序列数据未来状态的预测能力。论文提出了一种新的表示学习方法，通过捕捉数据内在的可预测性结构，使得学到的特征能够有效迁移到其他相关但分布不同的任务中，从而减少对大量标注数据的依赖。这项工作有望在天气预报、金融分析、工业监控等需要时序预测的领域产生应用价值，为迁移学习与可预测性建模的结合提供了新思路。 #机器学习 #表示学习 #可预测性 #迁移学习 #时间序列 #AI #论文 #arXiv

反事实评估揭示临床大语言模型与智能体的隐藏能力轮廓

一项最新研究通过反事实评估方法，系统揭示了临床大语言模型（LLMs）及其智能体在医疗场景中的隐藏能力轮廓。研究团队设计了一系列反事实测试，模拟患者病史、症状描述或治疗方案的细微变化，以检验模型在不同临床决策中的鲁棒性和潜在偏差。结果表明，当前主流临床LLMs在面对反事实扰动时表现出显著的能力波动，部分模型在标准测试中表现良好，但在反事实情境下暴露出推理漏洞或偏见。该发现强调了传统评估指标的局限性，并指出反事实评估能更真实地反映模型在复杂临床环境中的实际表现。研究为未来临床AI系统的安全部署和可靠性验证提供了新思路，有助于避免因模型隐藏缺陷导致的医疗误判。 #反事实评估 #临床大语言模型 #AI安全 #医疗AI #模型鲁棒性 #arXiv论文

机器学习不确定性量化方法基准测试

一篇题为《Benchmarking Machine Learning Uncertainty Quantification Methodologies for Predicting Turbine Gas Temperature Degradation》的研究论文近日在arXiv预印本平台发布。该论文由Jostein Barry-Straume等七位作者共同完成，系统性地对多种机器学习不确定性量化方法进行了基准测试，旨在预测涡轮气体温度退化过程。研究团队通过对比不同方法在预测精度、鲁棒性和计算效率等方面的表现，为工程应用中如何选择合适的不确定性量化技术提供了重要参考。该工作对于提升涡轮发动机健康监测与预测性维护的可靠性具有实际意义，有助于降低运维成本并提高设备安全性。 #机器学习 #不确定性量化 #涡轮 #温度退化 #基准测试 #工程 #AI #论文 #预测维护

零阶非对数凹采样方差缩减方法及其在逆问题中的应用

该论文提出了一种针对非对数凹分布的新型零阶采样方法，通过引入方差缩减技术有效降低了采样过程中的梯度估计误差。传统采样方法在处理非对数凹目标分布时面临收敛慢和计算成本高的问题，而零阶方法仅依赖于函数值而非梯度信息，适用于黑箱优化和逆问题场景。作者结合随机拟牛顿方法与重要性采样，实现了对复杂后验分布的高效采样。理论分析证明了算法的收敛性，并在图像反卷积、压缩感知等逆问题实验中展示了优于现有算法的精度与稳定性。该工作为高维非凸采样及医学成像等实际应用提供了新工具。 #arXiv #机器学习 #采样算法 #逆问题 #非凸优化 #方差缩减 #AI #学术论文

破坏是一种学习生成的一般策略：扩散模型的优势在于认真对待破坏，探索是未来方向

一篇提交至ICLR 2026博客的论文提出，破坏（Destruction）可作为一种通用的学习生成策略。作者Pierre-André Noël指出，扩散模型之所以强大，正是因为它严肃地对待破坏过程，通过逐步添加噪声再逆向还原来学习数据分布。论文进一步强调，探索（Exploration）是未来生成模型发展的关键方向，意味着模型需要在破坏与重建中主动发现新结构，而非被动拟合数据。该观点为生成式AI的理论基础提供了新视角。 #AI #生成模型 #扩散模型 #ICLR #机器学习 #破坏策略 #探索

早期行为策略预测

一篇题为《从过程痕迹中早期预测未来行为策略》的学术论文近日在arXiv预印本平台发布。该研究由Robert Kasumba等人完成，旨在通过分析过程痕迹数据，实现对个体或系统未来行为策略的早期预测。论文提出了一种新颖的方法，能够从历史行为序列中提取关键模式，从而在行为完全展开前推断其潜在策略。这一研究对于理解复杂系统中的决策过程、优化资源分配以及提升自动化系统的适应性具有重要意义。目前，该论文已提供PDF全文及HTML版本供学术界参考。 #arXiv #行为预测 #过程挖掘 #机器学习 #学术论文 #人工智能

DisasterLex：面向灾害分析地理空间推理的专家概念到模式知识图谱

近日，一项题为《DisasterLex: An Expert Concept-to-Schema Knowledge Graph for Geospatial Reasoning in Disaster Analytics》的研究在arXiv预印本平台发布。该研究由Yiming Xiao等学者提出，旨在构建一个将专家概念转化为结构模式的知识图谱，专门用于灾害分析中的地理空间推理。通过整合多源灾害数据和专家知识，DisasterLex能够提升灾害响应与决策支持系统的智能水平，为地理空间推理提供可扩展的语义基础。论文目前以PDF和HTML格式开放访问，并提供了BibTeX引用数据。该工作有望推动灾害管理领域知识图谱的标准化应用。 #知识图谱 #灾害分析 #地理空间推理 #AI #arXiv #科研前沿

数据选择对LLM微调的长期影响研究

一篇来自arXiv的论文深入探讨了大语言模型微调过程中数据选择的长期效应。研究指出，在微调阶段采用不同的数据筛选策略，不仅会影响模型当下的性能表现，更会对模型在后续任务中的泛化能力、稳定性以及知识保留产生持久影响。作者通过系统实验发现，某些看似高效的数据选择方法可能在短期内提升特定指标，但长期来看可能导致模型遗忘先前学到的知识或产生偏差累积。该研究为构建更可靠、可持续的LLM训练流程提供了重要理论依据，并建议开发者在数据选择时兼顾短期收益与长期健康。 #LLM #微调 #数据选择 #AI研究 #机器学习 #论文 #arXiv #大模型

新研究提出测量、定位与消除LLM对齐特征的方法

来自arXiv的一项最新研究论文《Measuring, Localizing, and Ablating Alignment Signatures in LLMs》正式发布。该研究由Aniket Anand等五位作者共同完成，聚焦大语言模型（LLM）的对齐问题。论文提出了一套系统方法，用于测量模型中的对齐特征、定位这些特征在模型中的具体位置，并探索通过消融来消除或调整这些特征。这项工作有助于深入理解LLM的对齐机制，为提升模型的安全性和可控性提供新思路。论文已通过arXiv平台开放访问，提供PDF及HTML版本。 #LLM #对齐 #AI安全 #大模型 #论文 #arXiv

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

大型语言模型顺序后训练中的表示崩溃现象

一篇题为《大型语言模型顺序后训练中的表示崩溃》的论文在arXiv上发布。研究指出，在对大语言模型进行连续多轮后训练（如指令微调、对齐等）时，模型内部表示会逐渐失去多样性，出现“表示崩溃”现象。这种崩溃导致模型在后续任务上的泛化能力下降，并可能加剧灾难性遗忘。论文通过理论分析和实验验证，揭示了顺序后训练中表示退化的机制，为改进训练策略提供了重要参考。该发现对当前大模型持续学习与迭代优化具有警示意义。 #大语言模型 #表示崩溃 #后训练 #AI研究 #机器学习 #arXiv #模型泛化

监督训练快速破坏早期视觉皮层与生物学习规则的对齐

一篇题为《Supervised Training Rapidly Degrades Early Visual Cortex Alignment Across Biologically Plausible Learning Rules》的预印本论文在arXiv上发布。该研究探讨了在生物可塑性学习规则下，监督训练如何迅速导致早期视觉皮层神经表征与自然图像统计结构的对齐程度下降。作者通过模拟实验发现，当采用基于反向传播或局部学习规则的监督训练时，早期视觉皮层（如V1区）的神经元活动模式会迅速偏离原本反映自然图像统计特征的稀疏编码或ICA对齐，转而过度拟合分类任务。这一发现对当前深度学习与神经科学的交叉研究提出了警示：人工神经网络中的监督学习可能会牺牲神经表征的生物学合理性，导致模型内部表征与真实视觉皮层的对齐在训练早期即发生显著退化。该研究为理解生物视觉与人工视觉系统的差异提供了新视角，并提示未来在构建类脑计算模型时需要更谨慎地设计学习规则。 #神经科学 #视觉皮层 #监督学习 #深度学习 #生物学习规则 #神经网络 #类脑计算 #人工智能

SubsurfaceGen: 程序化生成野外尺度地球模型与地震数据新方法

一篇题为“SubsurfaceGen: Procedural Generation of Field-Scale Earth Models and Seismic Data”的论文于近日提交至arXiv预印本平台。该研究由Joseph Stitt等四位作者共同完成，提出了一种基于程序化生成技术构建高质量、大规模地球模型和地震数据的新框架。传统地球物理建模通常依赖人工解释或有限观测数据，难以高效生成具有真实复杂性的野外尺度模型。SubsurfaceGen通过算法自动生成多样化的地质构造和地震响应，有望为勘探地球物理、地质建模及机器学习训练数据增强提供重要支撑。论文展示了该方法的可行性，相关代码和数据资源也已公开，便于学界复现与进一步研究。 #地球科学 #地震数据 #程序化生成 #地质建模 #机器学习 #arXiv #AI #勘探技术

重新审视填充Transformer表达能力

一篇来自arXiv的学术论文重新探讨了带填充（padding）机制的Transformer模型的表达能力。研究团队通过理论分析，系统评估了不同架构选择对模型表达能力的影响，包括位置编码、注意力掩码、层数等关键因素。论文指出，某些常见的填充策略实际上会限制模型的理论表达能力，而另一些设计则能保持甚至增强其性能。该工作为Transformer架构的优化提供了新的理论视角，有助于指导未来模型设计。 #Transformer #深度学习 #AI #机器学习 #自然语言处理 #架构设计 #学术论文

MAAT

一篇题为“MAAT: Multi-phase Adapter-Aware Targeted Unlearning”的学术论文近日在arXiv预印本平台发布。该研究由Suryash Yagnik等五位作者共同完成，提出了一种多阶段、适配器感知的目标遗忘学习方法。该方法旨在高效地从预训练模型中移除特定数据或知识，同时最大程度保留模型在其他任务上的性能。研究团队通过引入适配器机制，在不同阶段动态调整遗忘策略，以解决传统遗忘方法中存在的效率低、副作用大等问题。该工作对于提升机器学习模型的隐私合规性、实现“被遗忘权”具有重要参考价值，有望推动AI系统在数据删除和模型修正方面的实用化进展。 #机器学习 #遗忘学习 #AI #隐私保护 #arXiv #论文 #深度学习 #模型修正

图条件混合专家图神经网络模型助力交通预测

近日，一篇题为《Graph-Conditioned Mixture of Graph Neural Network Experts for Traffic Forecasting》的学术论文在arXiv平台发布。该研究由Amirhossein Ghaffari等人完成，提出了一种基于图条件混合专家机制的图神经网络模型，旨在提升交通预测的准确性与鲁棒性。传统图神经网络在处理复杂时空依赖时存在局限性，而该模型通过动态选择多个专家子网络，并依据输入图结构条件进行融合，有效捕捉了交通流中的多模态模式。实验表明，该方法在多个真实交通数据集上取得了优于现有基准的性能，为智能交通系统的发展提供了新的技术思路。 #交通预测 #图神经网络 #混合专家模型 #AI #学术研究 #智能交通