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

大语言模型中的时间偏好概念及其作用

一项由Ian Rios-Sialer等学者完成的最新研究，聚焦于大型语言模型（LLM）中“时间偏好”概念的定义及其功能。该论文已提交至arXiv预印本平台，探讨了LLM如何表征和理解与时间顺序、偏好选择相关的抽象概念。研究指出，时间偏好概念可能在模型推理、决策生成中扮演关键角色，为提升LLM的时间推理能力和可解释性提供了新的理论视角。当前，理解模型内部概念表征是AI可解释性研究的重要方向，该工作有助于推动相关领域的发展。 #大语言模型 #时间偏好 #AI可解释性 #arXiv #研究论文 #机器学习 #自然语言处理

发布：面向假设驱动的方程发现与结构可辨识性分析工具

近日，一篇发表在 arXiv 上的论文介绍了名为 的新型软件包，专为假设驱动的方程发现设计，并集成了结构可辨识性分析功能。该工具由 Federico J. Gonzalez 开发，旨在帮助科学家从观测数据中自动推导出符合物理、生物等科学假设的微分方程模型，同时确保模型参数能够被唯一确定。传统符号回归方法常忽略模型的可辨识性，导致参数估计不唯一或过拟合。 通过结合结构可辨识性理论，在方程搜索过程中剔除不可辨识的结构，从而生成更可靠、可解释的科学模型。这一突破有望加速系统生物学、化学反应网络及流行病学等领域的建模进程，并为自动化科学发现提供新的方法论支撑。论文提供了完整的代码实现与使用文档，目前已通过 arXiv 开放获取。 #方程发现 #结构可辨识性 #科学计算 #PyCCid #自动化建模 #系统生物学 #AI4Science #arXiv论文

预算受限下的微型预训练

本研究提出了一种针对预算受限场景的微型预训练方法，即阶段性因子筛选策略。研究团队来自相关领域，论文于2026年4月27日提交至arXiv平台。该方法旨在高效利用有限计算资源，通过结构化实验设计（包括桥接实验、长时域分析、随机搜索等）筛选影响预训练效果的关键因子。论文详细分析了不同系统（Linux/Windows）下的训练条件、预算分配及种子确认等环节，并提供了完整的数据集与代码附件。该工作为低资源环境下的大模型微调与预训练提供了新的优化思路，有助于降低AI研究的硬件门槛。 #微型预训练 #阶段性因子筛选 #预算约束 #机器学习 #arXiv #2026 #人工智能 #高效训练

ERRORQUAKE

一篇题为《ERRORQUAKE: Heavy-Tailed Error Severity Distributions in Open-Weight Large Language Models》的论文近日由Jason Z Wang提交至arXiv预印本平台。该研究聚焦开源大语言模型（LLMs）的错误行为，发现其错误严重性分布呈现类似地震学中的“重尾”特征，即少数高严重性错误频繁发生，而大量错误则影响轻微。这一发现颠覆了以往假设错误均匀分布的认知，提示在部署开源模型时需特别关注那些罕见但破坏性强的输出。论文通过系统性实验验证了重尾分布的存在，并探讨了其对模型安全与可靠性评估的启示，为后续研发更具鲁棒性的开源大模型提供了新的理论视角。 #AI #大模型 #LLM #开源 #错误分析 #arXiv #重尾分布 #ERRORQUAKE #模型安全

新论文提出大语言模型评估盲点的体视学理论

一篇题为《评估盲点：大语言模型基准覆盖的体视学理论》的研究论文于2026年4月15日提交至arXiv预印本平台。作者Jason Z Wang提出了一种基于体视学（Stereology）的理论框架，用于系统分析大语言模型在现有基准测试中的覆盖盲区。该理论旨在量化当前评估体系未能充分测试的模型能力维度，揭示基准测试中存在的系统性偏见。研究为改进大语言模型评测方法提供了新的数学工具和理论视角，有助于更全面、客观地理解模型性能，对推动AI评估标准的发展具有重要参考价值。 #arXiv #大语言模型 #评估盲点 #体视学 #基准测试 #AI研究 #机器学习

通过自适应批次缩放实现可扩展的强化学习

该论文由Jongchan Park撰写，于2026年5月20日首次提交至arXiv预印本平台，并于同年6月4日更新。论文核心提出自适应批次缩放方法，旨在解决强化学习在大规模应用中的可扩展性问题。该方法通过动态调整训练批次大小，优化学习效率与资源利用。论文提供了完整的PDF、HTML及TeX源代码，并附有相关引用与代码链接。目前该研究已获得学术社区关注，相关代码与实验数据可通过平台获取。 #强化学习 #自适应批次缩放 #可扩展性 #论文 #arXiv #AI

将预处理选择重定义为模型内校准：近红外光谱中操作者自适应PLS与Ridge模型的大规模基准

近红外光谱（NIR）分析中，数据预处理（如去噪、基线校正）的选择传统上依赖专家经验，缺乏统一标准。近日一篇发表于arXiv的论文提出将预处理选择重构为模型内部校准过程，并基于大规模基准测试评估了操作者自适应偏最小二乘（PLS）和岭回归（Ridge）模型的性能。研究通过对比多种预处理策略，发现将预处理环节嵌入模型训练可显著提升预测精度与鲁棒性，同时减少人工干预。该工作分析了数千个光谱样本，证实自适应模型能够根据数据特性动态调整预处理参数，在复杂样本中表现优于固定方案。这一框架有望简化NIR分析流程，推动光谱建模的自动化和标准化，对农业、食品、制药等领域的快速无损检测具有重要应用价值。 #近红外光谱 #预处理 #模型校准 #PLS #Ridge #机器学习 #光谱分析 #自动化 #学术研究 #人工智能

Coreset 加速生成模型

研究者提出一种名为“Coreset-Induced Conditional Velocity Flow Matching”的新型生成框架。该方法通过引入核心集（Coreset）技术，从大规模数据中精选代表性子集，用于条件速度流匹配模型的训练，显著提升了训练效率与生成质量。实验表明，在图像生成等任务中，该方法能在保持甚至提高样本质量的同时，大幅减少计算开销与数据需求。这一工作为生成模型在资源受限场景下的应用提供了新思路。 #生成模型 #Coreset #流匹配 #机器学习 #AI #计算机视觉 #arXiv论文

Zero-Flow Encoders 论文登陆 arXiv 平台

一篇题为《Zero-Flow Encoders》的学术论文近日在预印本平台 arXiv 上发布。该论文由 Yakun Wang 及另外两位合作者共同撰写，版本记录显示初始提交于 2026 年 1 月 31 日，并在同年 6 月 4 日进行了更新。论文标题暗示其核心在于一种新型的“零流编码器”架构，可能对深度学习中的编码器设计提出创新思路，旨在解决传统编码器中存在的计算瓶颈或信息流动问题。目前论文提供 PDF、HTML 等多种格式供研究者下载查阅，并附有相关参考文献和工具链接。该论文的发布预计将引起机器学习及计算机视觉领域学者的关注。 #arXiv #论文 #深度学习 #编码器 #ZeroFlowEncoders #AI #机器学习 #学术前沿

无真实标签下的大语言模型评估新框架

来自arXiv预印本的一项研究提出了一种名为“裁判感知排序框架”的新方法，用于在缺乏真实标签（Ground Truth）的情况下评估大语言模型。传统评估依赖人工标注或已知答案，成本高且易受偏见影响。该框架通过引入裁判模型感知机制，在无需预先定义正确答案的前提下，利用多个裁判模型对生成结果进行相对排序，从而量化模型性能。实验表明，该方法能有效反映模型间的真实能力差异，并降低对人工标注的依赖。该论文由Mingyuan Xu等人撰写，已于2026年提交并更新，为自动化、大规模模型评测提供了新思路。 #大模型 #评估 #裁判感知 #无监督 #arXiv #AI评测 #学术

新论文提出旋转参数化图分数傅里叶变换及其最优滤波方法

来自arXiv预印本数据库的一篇新论文定义了旋转参数化图分数傅里叶变换（Rotation-Parameterized Graph Fractional Fourier Transform），并深入研究了其性质与最优滤波应用。该工作由Feiyue Zhao等人完成，首次将旋转参数引入图信号处理领域，扩展了传统图傅里叶变换的框架。论文详细阐述了该变换的数学定义、关键性质，并探索了其在图信号最优滤波中的潜力，为图信号分析与处理提供了新工具。该研究有望在社交网络分析、传感器网络数据处理等领域发挥重要作用。 #论文 #图信号处理 #傅里叶变换 #数学 #科研 #arXiv

深度等变网络通用性研究获理论突破

国际机器学习顶级会议ICLR 2026收录了一篇题为《论深度等变网络的通用性》的论文。该研究由Marco Pacini等五位学者共同完成，首次系统证明了深度等变网络在对称性保持任务中的理论表达能力。团队通过严格数学推导，揭示了这类网络在任意旋转、排列等对称群作用下，能够统一逼近任意等变函数。这一成果为设计更高性能的等变神经网络提供了理论基石，对物理模拟、分子动力学、几何深度学习等领域具有重要指导意义。 #ICLR2026 #等变网络 #深度学习 #机器学习 #理论证明 #arXiv

Scale-Adaptive Generative Flows 论文发布，面向多尺度科学数据生成

近日，一篇名为《Scale-Adaptive Generative Flows for Multiscale Scientific Data》的学术论文在arXiv平台上线，作者为Yifan Chen等人。该研究提出了一种尺度自适应的生成流模型，专门用于处理多尺度科学数据生成问题。在多尺度科学模拟与数据分析中，数据往往包含不同空间或时间尺度的特征，传统生成模型难以同时捕捉全局与局部结构。该工作通过引入自适应机制，使生成流能够动态调整尺度，从而提升对复杂科学数据的建模能力。论文已公开PDF及HTML版本，并附有BibTeX引用信息。这一成果有望为气象、流体力学、地球科学等领域的多尺度数据生成与仿真提供新的技术路径。 #学术论文 #科学数据 #生成模型 #多尺度 #arXiv #人工智能 #机器学习 #流体力学 #地球科学

因果图谱与熵推理

一篇题为《Causal Atlases from Entropic Inference: Bayesian Networks beyond Optimal DAGs》的论文提出了一种基于熵推理构建因果图谱的新方法。传统贝叶斯网络依赖寻找最优有向无环图（DAG），而该方法突破这一限制，通过信息论视角从数据中推断因果结构。研究展示了如何利用熵度量识别变量间的因果关系，并生成更全面的因果图谱，为复杂系统的因果发现提供新工具。论文已在arXiv预印本平台发布，可供研究者深入探讨。 #贝叶斯网络 #因果图谱 #熵推理 #机器学习 #人工智能 #因果发现 #arXiv

非可逆规范场在Fokker-Planck动力学中的超对称哈密顿量与学习有限力

日本学者Masayuki Ohzeki在arXiv发表论文，探讨非可逆规范场在Fokker-Planck动力学中的应用。研究通过引入超对称哈密顿量框架，将非平衡统计物理中的不可逆过程与规范场理论结合，提出了一种学习有限力的新方法。该方法有望在复杂系统建模、机器学习与随机过程优化中发挥重要作用。论文已通过DataCite登记，并提供PDF全文下载。 #物理学 #非平衡统计 #规范场 #超对称 #机器学习 #arXiv #FokkerPlanck

估计次高斯参数的新论文发布

一篇题为《Estimation of the sub-Gaussian parameter》的学术论文在arXiv平台提交。该论文由Jason Liu等三位作者共同撰写，于2026年6月4日上传。论文聚焦于次高斯分布的参数估计问题，在统计学与概率论领域具有理论意义。次高斯参数是刻画随机变量尾部行为的关键指标，该研究提出了新的估计方法并可能提供理论保证。论文目前可查看PDF及HTML版本，并已获得相关引用与工具链接的支持。 #arXiv #论文 #统计学 #次高斯 #参数估计 #概率论 #数学 #学术动态

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

最优驯服黑盒模型偏差实现高效半参数估计

该论文由Yihong Gu等人撰写，研究如何最优地调控黑盒模型中的偏差，以实现高效的半参数估计。文章聚焦于现代机器学习中广泛使用的黑盒模型（如深度神经网络）在统计推断中的偏差问题，提出了一种理论框架和方法，旨在平衡模型复杂性与估计效率。通过驯服这些偏差，研究者能够在不牺牲模型灵活性的前提下提升半参数估计的统计精度。论文为黑盒模型在因果推断、政策评估等领域提供了更可靠的统计工具，并对偏差控制策略进行了最优性分析。 #黑盒模型 #偏差驯服 #半参数估计 #统计推断 #机器学习 #因果推断 #YihongGu #arXiv

GraphDETR

研究人员提出了一种名为GraphDETR的新型端到端子图检测方法。该方法基于DETR（检测变换器）架构，直接对图结构数据进行子图识别，无需传统方法中繁琐的候选子图生成与筛选步骤。GraphDETR通过将整个图作为输入，利用注意力机制自动聚焦于关键子结构，实现了高效且精确的检测性能。实验结果表明，该方法在多个基准数据集上显著优于现有技术，为图数据分析领域提供了新的思路。该研究已在arXiv上预发表，相关代码和数据集已公开。 #GraphDETR #子图检测 #端到端 #图神经网络 #机器学习 #论文 #arXiv

Bentkus型渐近e值

近日，一篇题为《Bentkus-type asymptotic e-values》的学术论文在arXiv预印本平台发布。该研究由Diego Martinez-Taboada等人完成，提出了基于Bentkus方法的渐近e值理论。e值是统计推断中新兴的概念，可用于构造置信区间和假设检验，其优势在于不依赖传统p值框架。该论文进一步扩展了e值理论，给出渐近下的严格数学性质，为高维数据、复杂模型下的统计推断提供了新的理论工具。研究结果有望在生物统计、机器学习等领域得到应用，推动非参数统计方法的发展。 #数学 #统计 #论文 #arXiv #Bentkus #e值 #渐近理论