What Objects Enable, Not What They Are: Functional Latent Spaces for Affordance Reasoning

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Neel P. Bhatt [ view email ] [v1] Thu, 4 Jun 2026 00:26:04 UTC (1,147 KB) Full-text links: Access Paper: View a PDF of the paper titled What Objects Enable, Not What They Are: Functional Latent Spaces for Affordance Reasoning, by Rohan Siva and 8 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer?

) Connected Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

主导层ZO

一篇来自arXiv的论文揭示了在大语言模型零阶微调过程中，单个网络层对整体性能起主导作用。研究团队发现，通过仅优化这一“主导层”，即可达到与全模型微调相当的效果，大幅降低计算开销。该发现为资源受限场景下的模型适配提供了新思路，有望推动大模型在边缘设备上的高效部署。 #大语言模型 #零阶优化 #微调 #AI #机器学习 #arXiv论文 #高效部署

LEVANTE-bench：用认知任务多尺度比较视觉语言模型与儿童

研究人员提出了一项名为LEVANTE-bench的新基准，旨在通过认知任务在多个尺度上比较视觉语言模型（VLM）与儿童的表现。该基准的副标题“你的VLM比五年级学生聪明吗？”揭示了其核心问题。论文由Alvin Wei Ming Tan等五位作者撰写，目前已在arXiv上提交，等待DOI注册。LEVANTE-bench通过设计适合儿童认知水平的任务，系统评估VLM在感知、推理、语言理解等方面的能力，并与真实儿童数据进行对比。这一工作为理解当前视觉语言模型的认知局限性提供了新视角，也为未来模型改进和儿童认知研究搭建了桥梁。 #视觉语言模型 #认知科学 #儿童发展 #基准测试 #AI评估 #arXiv #机器学习

微软申请专利：Windows将内置AI数据收集控制开关

微软近日申请一项系统级隐私专利，计划在Windows操作系统中内置AI数据收集控制开关。该专利描述了一个类似摄像头指示灯的任务栏图标，实时显示AI数据收集状态，并提供管理界面让用户设置规则（如禁止在特定时段收集）、删除已收集数据或临时暂停。核心是一个运行在Windows内的“ML数据收集协调器”，作为用户与机器学习服务之间的中间人。此举直接回应了Windows Recall等AI功能引发的隐私争议，也顺应了欧盟AI法案等监管要求。若该功能落地，用户将能在一个统一位置控制所有Windows AI功能的数据收集，无需逐个应用查找设置。 #微软 #Windows #AI #隐私 #专利 #数据收集 #系统级控制 #Recall #欧盟AI法案

学习子空间压缩实现通讯高效的流水线并行

近日，一篇题为“Learned Subspace Compression for Communication-Efficient Pipeline Parallelism”的论文被提交至arXiv预印本平台。该论文由Paul Janson等人撰写，针对大规模深度学习模型训练中流水线并行存在的通信瓶颈问题，提出了一种基于学习的子空间压缩方法。该方法能够自动学习模型中间表示的潜在低维子空间，在节点间传输前进行高效压缩，从而显著减少通信数据量，提升并行训练的可扩展性。论文还探讨了该方法与现有梯度压缩技术的兼容性，为未来高效分布式训练系统设计提供了新思路。 #论文 #arXiv #分布式训练 #流水线并行 #通信压缩 #深度学习 #机器学习

面向统一且数据高效的预测与健康管理

该研究提出了一种全新的表格基础模型，旨在统一预测与健康管理（PHM）任务，并显著提升数据效率。传统PHM方法通常针对特定设备或场景单独建模，数据利用率低且泛化能力差。论文通过构建大规模表格数据集，训练预训练基础模型，使其能够迁移学习到各类PHM子任务，如剩余寿命预测、故障检测等。实验表明，该模型在多种工业数据集上以少量样本即可达到甚至超越传统方法的效果，大幅降低了数据标注成本。该工作为工业设备智能运维提供了通用且高效的解决方案，有望推动PHM领域的标准化与规模化应用。 #预测性维护 #健康管理 #基础模型 #表格数据 #数据效率 #AI #工业智能 #机器学习

Sharp First-Order Lower Bounds for Higher-Order Smooth Nonconvex Optimization

一篇题为“Sharp First-Order Lower Bounds for Higher-Order Smooth Nonconvex Optimization”的学术论文近日在arXiv预印本平台上线，作者为Dongruo Zhou。该论文聚焦于高阶光滑非凸优化问题，提出了首个尖锐的一阶下界结果。研究针对采用一阶优化方法求解高阶光滑非凸目标函数时的收敛速度，给出了理论上的最小极限，表明即使目标函数具有高阶光滑性，仅依赖梯度信息的方法也无法突破特定收敛速率。这一发现为非凸优化领域的算法设计与复杂度分析提供了新的理论基准，对机器学习和深度学习中的优化理论具有重要参考价值。 #非凸优化 #一阶下界 #高阶光滑 #收敛速度 #优化理论 #机器学习 #深度学习 #arxiv #学术论文 #理论计算机

DP-MacAdam 论文发布

arXiv 平台上新近提交了一篇题为《DP-MacAdam: Differentially Private Mechanism with Adaptive Clipping and Adaptive Momentum》的论文。该论文由 Naima Tasnim 等人撰写，提出了一种结合自适应梯度裁剪和自适应动量更新的差分隐私优化算法。在差分隐私机器学习中，梯度裁剪和动量调整是平衡隐私预算与模型性能的关键环节。DP-MacAdam 通过动态调整裁剪阈值和动量系数，有效缓解了传统方法中收敛缓慢和隐私预算浪费的问题。实验表明，该方法在多个基准数据集上实现了更好的隐私-效用权衡，尤其适用于需要严格隐私保障的大规模深度学习场景。论文已开放预印本，可供研究人员审阅与引用。 #差分隐私 #机器学习 #深度学习 #DP-MacAdam #arXiv #算法 #隐私保护

CausalPOI：时空图因果模型解决冷启动POI签到预测

来自arXiv的一篇论文提出CausalPOI模型，针对兴趣点（POI）签到预测中的冷启动问题，采用时空图因果建模方法。该模型通过构建时空图结构，引入因果推断机制，有效缓解了数据稀疏和冷启动场景下的预测偏差。实验表明，CausalPOI在多个真实数据集上优于现有基线方法，尤其对新用户和新POI的签到预测表现突出。研究团队来自多所机构，论文已提交至arXiv，并附有代码和数据链接。 #因果模型 #POI预测 #冷启动 #时空图 #机器学习 #推荐系统 #arXiv

Trust, but Don't Verify

一项来自arXiv的最新研究论文揭示了大型语言模型（LLM）在评估信息来源时存在系统性认知盲点。研究者Rohan Pradhan等人发现，当前主流LLM倾向于“信任但不去验证”用户提供的信息来源，缺乏主动核实事实的能力。这种“认知盲点”导致模型容易接受错误或误导性的引用，并据此生成看似合理但实际谬误的答案。研究通过一系列实验测试了多个LLM对虚假来源、捏造引文以及不当授权的反应，结果表明模型普遍缺乏怀疑精神，且难以识别权威性被滥用的情况。该发现对AI系统在高风险决策场景中的可靠性提出了严峻挑战，强调了在模型设计中引入外部验证机制的必要性。 #AI #大语言模型 #认知盲点 #来源验证 #arXiv论文 #LLM #信任与验证 #人工智能安全

模式选择性并非任务因果结构：1B类语言模型中组合任务电路的跨架构机制研究

近日，一篇由Yongzhong Xu提交至arXiv的论文提出，语言模型中神经元的模式选择性并不等同于任务因果结构。研究者对1B参数级别的多种架构（如GPT-2等）进行了跨架构机制分析，通过因果干预手段探测模型在执行组合任务时的内部电路。研究发现，模型中的神经元虽然表现出对特定模式的高度选择性，但这些选择性神经元并不一定构成任务运行的因果路径，二者存在显著分离。该工作挑战了当前可解释性研究中将模式选择性直接视为因果结构的常见假设，指出仅凭激活模式分析不足以揭示模型的真正推理机制。这一发现对于理解大模型内部运作、防止过度解读神经元功能具有重要参考价值。 #AI #大模型 #可解释性 #语言模型 #机器学习 #神经网络 #因果推断 #研究 #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

不确定条件下的证据引导神经网络架构选择

近日，一篇发表于arXiv预印本的研究提出了一种名为“证据引导的神经网络架构选择”的新方法，用于在不确定性条件下进行个性化血糖预测。该方法结合贝叶斯不确定性估计与神经架构搜索，能够为每位患者自动筛选最优预测模型，显著提升血糖预测的准确性与鲁棒性。研究团队认为，这一技术有望改善糖尿病患者的实时血糖管理，并为精准医疗中的模型自适应提供新思路。 #血糖预测 #神经网络 #架构搜索 #个性化医疗 #糖尿病管理 #arXiv #人工智能

PJ-RoPE: 一种用于相对注意力的傅里叶-喷射

arXiv上近日提交了一篇题为《PJ-RoPE: A Fourier-Jet-Affine Position Space for Relative Attention》的论文，作者为Zhang Yaobo。该论文提出了一种新型位置编码方法PJ-RoPE，通过融合傅里叶变换、喷射变换与仿射变换，构建了一个更灵活的位置空间，旨在改进Transformer模型中相对注意力机制的位置表示能力。该方法有望在长序列建模、语言理解等任务中提升模型性能。论文于2026年6月3日提交，目前正在arXiv上开放获取。 #论文 #AI #位置编码 #注意力机制 #Transformer #arXiv #机器学习

新方法提升基于LLM的排名评估统计可靠性

近日，一篇来自arXiv的学术论文提出了一种基于预测驱动推理（Prediction-Powered Inference）的方法，旨在解决现有LLM排名评估中统计可靠性不足的问题。传统评估往往受限于样本量和噪声干扰，导致排名结果置信度较低。该方法通过引入预测模型来增强统计推断，在不显著增加计算成本的前提下，提升了评估结果的准确性与稳健性。论文作者Abhishek Divekar详细阐述了技术原理与实验验证，表明该方法在不同评估场景下均能有效降低误差。该研究为AI模型评估领域提供了新的理论工具，有望推动学术与工业界更科学地衡量LLM性能。 #LLM #排名评估 #预测驱动推理 #统计可靠性 #AI #学术论文 #arXiv

Agentic Monte Carlo

一篇由Dae Yon Hwang等作者提交至arXiv的论文提出了一种名为“Agentic Monte Carlo”的新框架，旨在对黑盒智能体进行强化学习模拟。该方法通过蒙特卡洛模拟技术，在不依赖智能体内部模型的情况下，高效评估和优化其决策策略。传统强化学习通常需要访问环境或模型，而Agentic Monte Carlo专为外部观察者设计，适用于安全审计、行为分析等场景。实验表明，该方法在多种复杂任务中显著提升了模拟效率与策略质量，为黑盒智能体的可解释性和可控性研究提供了新路径。论文目前已通过arXiv发布，相关代码和数据正在公开中。 #强化学习 #蒙特卡洛 #黑盒智能体 #AI安全 #arXiv论文 #模拟方法 #机器学习

LSTM自编码器实现电液静压执行器异常检测

来自arXiv的最新论文显示，研究人员提出了一种基于LSTM自编码器的电液静压执行器（EHA）异常检测方法。电液静压执行器广泛应用于航空航天等领域，其故障可能导致严重后果，因此实时准确的异常检测至关重要。该团队利用LSTM自编码器对执行器的时序数据进行学习，通过重构误差识别异常状态。实验结果表明，该方法在捕捉长期依赖关系和复杂模式方面优于传统方法，有效提升了检测的灵敏度和准确性。论文还提供了完整的实验代码和数据，便于复现和进一步研究。这项工作为工业系统尤其是航空液压系统的智能运维提供了新思路，有望降低维护成本并提高安全性。 #论文 #异常检测 #LSTM #自编码器 #电液静压执行器 #机器学习 #故障诊断 #航空 #arXiv

分支神经粗糙微分方程

一篇题为《Learning Manifold and Itô Dynamics with Branched Neural Rough Differential Equations》的论文近日在arXiv预印本平台发布。该研究由Luke Thompson等五位学者共同完成，提出了一种结合分支结构与神经粗糙微分方程的新框架，旨在同时学习数据流形上的几何结构以及由伊藤随机微分方程描述的随机动力学过程。该方法将粗糙路径理论与神经网络相结合，能够有效处理高维时间序列数据中的非线性与随机性，有望在金融建模、物理模拟、生物系统等复杂动态系统领域得到应用。论文目前以PDF和HTML格式公开，供学界查阅。 #论文 #机器学习 #微分方程 #流形学习 #人工智能