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
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
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
通用多类转导在线学习新方法
一篇名为《通用多类转导在线学习》的论文近日在arXiv预印本平台发布。该研究由Steve Hanneke等人完成，针对多类分类问题提出了一种通用的转导在线学习算法。传统在线学习通常假设数据独立同分布，而转导学习则允许在未标记数据上进行预测。研究者通过理论分析证明了该算法在多种损失函数下的最优性，并提供了收敛性保证。该方法在无分布假设下仍能保持高效性能，为在线学习与半监督学习的结合提供了新思路。论文还探讨了该算法在分类任务中的实际应用潜力，尤其是对动态数据流和有限标注场景的适应性。相关代码和数据已开源，供学界复现与进一步研究。 #机器学习 #在线学习 #转导学习 #多类分类 #理论计算机 #arXiv #科研论文 #AI算法
一篇名为《通用多类转导在线学习》的论文近日在arXiv预印本平台发布。该研究由Steve Hanneke等人完成，针对多类分类问题提出了一种通用的转导在线学习算法。传统在线学习通常假设数据独立同分布，而转导学习则允许在未标记数据上进行预测。研究者通过理论分析证明了该算法在多种损失函数下的最优性，并提供了收敛性保证。该方法在无分布假设下仍能保持高效性能，为在线学习与半监督学习的结合提供了新思路。论文还探讨了该算法在分类任务中的实际应用潜力，尤其是对动态数据流和有限标注场景的适应性。相关代码和数据已开源，供学界复现与进一步研究。 #机器学习 #在线学习 #转导学习 #多类分类 #理论计算机 #arXiv #科研论文 #AI算法
子图解释可被武器化窃取图神经网络？新研究揭示安全风险
一项来自arXiv预印本的研究探讨了图神经网络（GNN）的可解释性机制是否可能被恶意利用。论文作者Ojas Nimase等人提出，攻击者可以通过分析模型对子图结构的解释反馈，逆向推断出GNN的内部参数和训练数据分布，从而实现模型窃取。实验表明，在多个基准数据集上，利用子图解释的攻击方法能以较低查询成本达到高精度复制目标模型的效果。该研究首次系统性地揭示了GNN解释方法的潜在安全漏洞，对当前依赖可解释性进行模型审计和部署的实践提出了警示。研究团队呼吁开发更鲁棒的解释机制，并建议在敏感场景中限制解释接口的访问权限。 #图神经网络 #模型窃取 #可解释性 #AI安全 #子图解释 #arXiv #网络安全
一项来自arXiv预印本的研究探讨了图神经网络（GNN）的可解释性机制是否可能被恶意利用。论文作者Ojas Nimase等人提出，攻击者可以通过分析模型对子图结构的解释反馈，逆向推断出GNN的内部参数和训练数据分布，从而实现模型窃取。实验表明，在多个基准数据集上，利用子图解释的攻击方法能以较低查询成本达到高精度复制目标模型的效果。该研究首次系统性地揭示了GNN解释方法的潜在安全漏洞，对当前依赖可解释性进行模型审计和部署的实践提出了警示。研究团队呼吁开发更鲁棒的解释机制，并建议在敏感场景中限制解释接口的访问权限。 #图神经网络 #模型窃取 #可解释性 #AI安全 #子图解释 #arXiv #网络安全
idSCD
近日，一篇题为《idSCD: Identifying Training Datasets through Semantic Correlation Descriptors》的论文在arXiv上公开。该研究由Andrada Gobeaja等人提出，旨在解决机器学习模型训练数据集的识别问题。传统方法难以准确追溯模型所使用的训练数据来源，而idSCD方法通过构建语义相关性描述符，将数据样本与潜在训练集进行语义匹配，从而高效识别出模型可能依赖的数据集。实验表明，该方法在多种场景下均能显著提升识别准确率，为模型透明度、版权保护和数据溯源提供了新的技术路径。该工作已提交至arXiv，并附带完整论文及代码链接。 #机器学习 #数据集识别 #语义相关性 #arXiv #论文 #AI安全 #数据溯源
近日，一篇题为《idSCD: Identifying Training Datasets through Semantic Correlation Descriptors》的论文在arXiv上公开。该研究由Andrada Gobeaja等人提出，旨在解决机器学习模型训练数据集的识别问题。传统方法难以准确追溯模型所使用的训练数据来源，而idSCD方法通过构建语义相关性描述符，将数据样本与潜在训练集进行语义匹配，从而高效识别出模型可能依赖的数据集。实验表明，该方法在多种场景下均能显著提升识别准确率，为模型透明度、版权保护和数据溯源提供了新的技术路径。该工作已提交至arXiv，并附带完整论文及代码链接。 #机器学习 #数据集识别 #语义相关性 #arXiv #论文 #AI安全 #数据溯源
DisjunctiveNet
一篇题为《DisjunctiveNet: Neural Symbolic Learning via Differentiable Convexified Optimization Layers》的论文于2026年5月提交至arXiv预印本平台。该研究由Shraman Pal等人提出，旨在将符号推理与神经网络相结合。DisjunctiveNet通过引入可微的凸化优化层，使得原本离散的符号逻辑操作能够在连续空间中端到端训练，从而提升模型在逻辑推理、约束满足等任务上的表现。这一方法有望弥合神经网络的灵活性与符号系统的可解释性之间的鸿沟，为AI的神经符号学习提供新思路。 #神经符号学习 #可微优化 #凸优化 #AI #深度学习 #逻辑推理 #arXiv
一篇题为《DisjunctiveNet: Neural Symbolic Learning via Differentiable Convexified Optimization Layers》的论文于2026年5月提交至arXiv预印本平台。该研究由Shraman Pal等人提出，旨在将符号推理与神经网络相结合。DisjunctiveNet通过引入可微的凸化优化层，使得原本离散的符号逻辑操作能够在连续空间中端到端训练，从而提升模型在逻辑推理、约束满足等任务上的表现。这一方法有望弥合神经网络的灵活性与符号系统的可解释性之间的鸿沟，为AI的神经符号学习提供新思路。 #神经符号学习 #可微优化 #凸优化 #AI #深度学习 #逻辑推理 #arXiv
校准偏好学习
近日，一篇题为《Calibrated Preference Learning: The Case of Label Ranking》的论文在arXiv上公开。该研究由Santo M. A. R. Thies等五位学者共同完成，聚焦于“校准偏好学习”问题，并以标签排序（Label Ranking）为具体案例进行深入探讨。偏好学习是机器学习中关于从用户偏好数据中学习排序模型的重要分支，而校准则旨在提升模型输出概率或得分的可靠性。论文可能提出了一种新的校准策略，用于改进标签排序任务的预测质量与置信度评估。该工作预计将对推荐系统、信息检索及决策支持等领域产生积极影响。目前全文以PDF和HTML格式开放获取。 #arXiv #机器学习 #偏好学习 #标签排序 #校准 #学术论文 #AI
近日，一篇题为《Calibrated Preference Learning: The Case of Label Ranking》的论文在arXiv上公开。该研究由Santo M. A. R. Thies等五位学者共同完成，聚焦于“校准偏好学习”问题，并以标签排序（Label Ranking）为具体案例进行深入探讨。偏好学习是机器学习中关于从用户偏好数据中学习排序模型的重要分支，而校准则旨在提升模型输出概率或得分的可靠性。论文可能提出了一种新的校准策略，用于改进标签排序任务的预测质量与置信度评估。该工作预计将对推荐系统、信息检索及决策支持等领域产生积极影响。目前全文以PDF和HTML格式开放获取。 #arXiv #机器学习 #偏好学习 #标签排序 #校准 #学术论文 #AI
NumLeak：公共数值基准测试在基础模型中成为潜在标签
一篇题为《NumLeak: Public Numeric Benchmarks as Latent Labels in Foundation Models》的论文揭示了重大隐患：基础模型在训练过程中可能隐式“记住”并利用公开的数值基准测试数据，从而将其作为潜在标签来提升测试成绩。研究指出，许多广泛使用的基准（如数学推理、代码评测等）的数据被包含在训练语料中，导致模型在评估时出现虚假高分，而真实世界泛化能力被严重高估。该发现警示AI社区需重新审视基准测试的独立性设计，并推动开发去污染的训练与评估协议，以确保模型能力的可信度量。 #NumLeak #基准测试污染 #基础模型 #AI安全 #数据泄露 #arXiv
一篇题为《NumLeak: Public Numeric Benchmarks as Latent Labels in Foundation Models》的论文揭示了重大隐患：基础模型在训练过程中可能隐式“记住”并利用公开的数值基准测试数据，从而将其作为潜在标签来提升测试成绩。研究指出，许多广泛使用的基准（如数学推理、代码评测等）的数据被包含在训练语料中，导致模型在评估时出现虚假高分，而真实世界泛化能力被严重高估。该发现警示AI社区需重新审视基准测试的独立性设计，并推动开发去污染的训练与评估协议，以确保模型能力的可信度量。 #NumLeak #基准测试污染 #基础模型 #AI安全 #数据泄露 #arXiv
新方法利用小波变换和频谱流匹配生成fMRI时间序列，助力脑疾病识别
近日，一项发表于arXiv的研究提出了一种基于小波图像变换和频谱流匹配的生成模型，用于合成功能性磁共振成像（fMRI）时间序列数据。该模型旨在解决脑疾病识别中fMRI数据稀缺、采集成本高的问题。研究团队通过小波变换对原始脑影像进行多尺度分解，再结合频谱流匹配技术，从噪声中学习数据分布，从而生成逼真的fMRI时序信号。实验表明，生成的数据在保留脑功能连接模式的同时，能有效提升下游分类模型在阿尔茨海默病等脑疾病诊断中的性能。这一方法有望为神经影像数据增强和精准医疗提供新工具。 #fMRI #小波变换 #频谱流匹配 #脑疾病 #人工智能 #医学影像 #时间序列生成 #数据增强 #神经科学
近日，一项发表于arXiv的研究提出了一种基于小波图像变换和频谱流匹配的生成模型，用于合成功能性磁共振成像（fMRI）时间序列数据。该模型旨在解决脑疾病识别中fMRI数据稀缺、采集成本高的问题。研究团队通过小波变换对原始脑影像进行多尺度分解，再结合频谱流匹配技术，从噪声中学习数据分布，从而生成逼真的fMRI时序信号。实验表明，生成的数据在保留脑功能连接模式的同时，能有效提升下游分类模型在阿尔茨海默病等脑疾病诊断中的性能。这一方法有望为神经影像数据增强和精准医疗提供新工具。 #fMRI #小波变换 #频谱流匹配 #脑疾病 #人工智能 #医学影像 #时间序列生成 #数据增强 #神经科学
黑盒大模型蒸馏新方法
arXiv上近日发布了一篇题为《Bounded Behavioral Indistinguishability for Black-Box LLM Distillation》的论文。该论文由Munawar Hasan撰写，提出了一种名为“有界行为不可区分性”的新概念，用于黑盒大语言模型蒸馏。该方法旨在解决在黑盒环境下（即无法获取模型内部参数）高效蒸馏大模型的问题，通过确保学生模型在与教师模型的行为在一定边界内不可区分，从而在保持性能的同时降低计算成本。该研究对推动大模型的高效部署和隐私保护具有重要意义。 #大模型蒸馏 #黑盒蒸馏 #有界行为 #LLM #AI #论文 #arXiv
arXiv上近日发布了一篇题为《Bounded Behavioral Indistinguishability for Black-Box LLM Distillation》的论文。该论文由Munawar Hasan撰写，提出了一种名为“有界行为不可区分性”的新概念，用于黑盒大语言模型蒸馏。该方法旨在解决在黑盒环境下（即无法获取模型内部参数）高效蒸馏大模型的问题，通过确保学生模型在与教师模型的行为在一定边界内不可区分，从而在保持性能的同时降低计算成本。该研究对推动大模型的高效部署和隐私保护具有重要意义。 #大模型蒸馏 #黑盒蒸馏 #有界行为 #LLM #AI #论文 #arXiv
Unicorn
近日，一篇题为 "Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling" 的论文在 arXiv 上发布。该研究由 Haochen Yuan 等四位作者共同完成，提出了一种名为 Unicorn 的新框架，旨在通过通用相关建模实现高维时间序列预测的可扩展性。论文探讨了如何利用统一的模型结构捕捉变量间的复杂相关性，从而提升预测性能。该工作有望应用于金融、气象、能源等众多需要处理大量时序数据的领域。目前论文已提供 PDF 和 HTML 版本供研究社区查阅。 #论文 #时间序列预测 #机器学习 #AI #arXiv #高维数据 #相关性建模
近日，一篇题为 "Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling" 的论文在 arXiv 上发布。该研究由 Haochen Yuan 等四位作者共同完成，提出了一种名为 Unicorn 的新框架，旨在通过通用相关建模实现高维时间序列预测的可扩展性。论文探讨了如何利用统一的模型结构捕捉变量间的复杂相关性，从而提升预测性能。该工作有望应用于金融、气象、能源等众多需要处理大量时序数据的领域。目前论文已提供 PDF 和 HTML 版本供研究社区查阅。 #论文 #时间序列预测 #机器学习 #AI #arXiv #高维数据 #相关性建模