BiNSGPS

研究人员提出了一种名为BiNSGPS的新型几何问题求解方法，通过双向神经符号交互机制，将神经网络与符号推理深度融合。传统几何求解方法或依赖纯符号规则，或仅靠神经网络端到端学习，难以兼顾准确性与可解释性。BiNSGPS创新地设计了双向信息流：神经网络从问题文本和图形中提取特征，符号模块则利用几何定理和逻辑约束进行推理，两者相互反馈、迭代优化。在多个公开几何问题基准测试中，BiNSGPS取得了显著优于现有方法的成绩，尤其在复杂几何证明和计算题上表现突出。该研究为人工智能在数学推理领域的应用提供了新思路，有望推动教育AI和自动定理证明的发展。 #几何问题求解 #神经符号 #AI #人工智能 #数学推理 #BiNSGPS #arXiv #深度学习 #符号推理

MIRAGE：具备隐式推理与生成世界模型的移动智能体

该论文提出一种名为MIRAGE的移动智能体框架，通过隐式推理与生成式世界模型增强移动机器人的自主决策能力。传统方法依赖显式规则或大量训练数据，而MIRAGE利用生成模型构建环境动态表征，使智能体能在复杂场景中高效推理并规划行动。实验结果表明，该方法在导航、物体操作等任务中显著提升了鲁棒性与适应性，为移动机器人走向通用化提供了新思路。论文由Zhichao Yang等十位作者合作完成，已提交至arXiv预印本平台。 #MIRAGE #移动智能体 #隐式推理 #生成世界模型 #机器人 #AI #论文

DMAIC启发智能体系统

一篇发表于arXiv的论文提出了一种受六西格玛DMAIC（定义、测量、分析、改进、控制）方法论启发的智能体系统，用于工业异常检测。该系统名为“Plan First, Judge Later, Run Better”，通过将规划与判断分离，使智能体先制定检测策略，再执行评估，从而提升检测的准确性和鲁棒性。研究团队来自多所机构，作者包括Yongzi Yu等。实验表明，该方法在多个工业数据集上优于传统检测模型，为工业自动化中的异常监控提供了新思路。 #工业异常检测 #DMAIC #智能体系统 #机器学习 #arXiv #论文 #AI

AgentJet 框架发布

来自 arXiv 预印本，研究人员提出了一种名为 AgentJet 的灵活群集训练框架，专门用于智能体强化学习。该框架旨在通过高效的群体协作与分布式训练机制，支持多智能体系统在复杂环境下的自适应学习与策略优化。研究团队来自多位学者，论文详细阐述了 AgentJet 的设计原理、训练流程及潜在应用场景，为智能体强化学习领域提供了一种可扩展、易部署的新工具。 #arXiv #AgentJet #智能体 #强化学习 #多智能体 #AI框架 #科研

新论文提出后果感知的推理计算分配方法

近日，一篇题为《并非所有错误都同等重要：后果感知的推理计算分配》的论文在arXiv上发布。该研究由Jingbo Wen等人完成，提出一种新颖的推理计算分配策略，核心思想是不同错误的后果严重性不同，因此在进行推理计算资源分配时，应优先避免高后果的错误。传统方法往往平等对待所有错误，而该方法通过引入后果感知机制，动态调整计算资源，使模型在关键决策场景中更加可靠。论文展示了该方法的理论框架和潜在应用，有望提升AI系统在自动驾驶、医疗诊断等高风险领域的鲁棒性和效率。 #AI #推理计算 #错误后果 #论文 #arXiv #机器学习 #人工智能 #可靠性

基于状态基础的动态检索，实现网络代理的在线技能学习

arXiv上最新发布的一篇研究论文提出了“基于状态基础的动态检索”方法，用于网络代理的在线技能学习。该方法允许代理在交互过程中实时检索和复用相关技能，从而提升在动态Web环境中的适应性和执行效率。研究团队通过实验验证了该框架在复杂网页任务中的有效性，为构建更智能的自动化代理提供了新思路。该工作由Jiaxi Li等七位作者共同完成，相关代码和数据集已开放。 #AI #机器学习 #网络代理 #技能学习 #动态检索 #arXiv #论文

通用智能体能否自动完成数据整理？

近期一篇来自arXiv的预印本论文探讨了通用人工智能体在数据整理任务中的自动化潜力。该研究由Feiyang Kang等人完成，系统评估了当前通用型智能体模型在数据清洗、标注、结构转换等环节的表现。实验表明，虽然通用智能体在部分标准化任务中展现出较高效率，但在面对复杂、上下文相关的数据质量问题时仍存在显著局限。研究指出，数据整理自动化不仅需要更强的推理能力，还需融入领域知识。该工作为后续开发更具鲁棒性的自动化数据管道提供了基准和方向。 #AI #数据整理 #自动化 #研究 #arXiv #通用智能体 #机器学习

共识策略局限性

来自arXiv的一项研究指出，在多智能体或群体决策中，单纯追求共识在策略上存在不足。论文提出，将推理过程中的分歧痕迹作为一种知识表征信号，可更有效地揭示深层认知结构。作者通过理论分析与实验验证，表明分歧并非简单噪声，而是蕴含丰富信息的载体，有助于提升模型对复杂问题的理解与推理能力。该工作为知识表示与推理领域提供了新视角，挑战了传统共识至上的设计思路。 #AI #机器学习 #知识表示 #推理 #共识 #arXiv #论文

符号学新框架助力AI研究认知责任：论文《Thinking Through Signs》提出PEEL方法

近日，一篇题为《Thinking Through Signs: PEEL as a Semiotic Scaffolding for Epistemically Accountable AI-Enabled Research》的学术论文在arXiv预印本平台发布。该论文由Clarisse de Souza等五位作者共同完成，提出了一种名为PEEL的符号学支架理论，旨在为具备认知责任的人工智能驱动研究提供方法论支持。研究从符号学视角出发，探讨如何在AI研究过程中确保知识生产的透明性和问责性，为AI伦理与可解释性提供了新的理论工具。该工作目前仍在预印本阶段，尚未正式注册DOI。 #AI研究 #符号学 #认知责任 #PEEL框架 #arXiv #人工智能伦理

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

日常AI交互或引发人类情感依赖

一项来自arXiv的预印本研究指出，随着AI助手融入日常生活，用户可能在不经意间对其产生情感依赖。论文题为《无意中陷入AI情感依赖：日常AI交互如何重塑人类连接》，由Yaoxi Shi等学者撰写。研究探讨了频繁与AI对话、寻求情感支持等行为如何改变人际交往模式，甚至削弱真实社交能力。作者警告，这种依赖可能影响心理健康与社会关系，呼吁关注AI交互的长期影响。 #AI #情感依赖 #人机交互 #心理健康 #社交关系 #arXiv #研究

OpenRFM

近日，一篇题为《OpenRFM: Dissecting Relational In-Context Learning》的论文提交至预印本平台arXiv。该研究由Zhikai Chen等八位作者共同完成，提出了一种名为OpenRFM的新框架，旨在深入剖析大语言模型中的关系型上下文学习机制。论文系统性地探讨了模型如何通过示例中的关系模式进行推理与泛化，为理解上下文学习的内部运作提供了新的视角。这一工作对提升大模型在复杂关系任务上的表现具有潜在价值。 #arXiv #上下文学习 #大语言模型 #关系推理 #AI研究 #机器学习

贝叶斯引导探索决策景观

近日，一篇题为《Testing Neural Networks via Bayesian-Guided Exploration of Decision Landscapes》的论文在arXiv上发布。该研究提出一种新颖的神经网络测试方法，通过贝叶斯优化技术引导探索决策景观，即模型输入空间中的决策边界。传统测试依赖随机或启发式输入，难以覆盖关键边界区域。新方法利用贝叶斯模型高效搜索高错误风险区域，系统性地发现神经网络的脆弱点和潜在错误。实验表明，该方法在多个基准数据集上显著提升了测试覆盖率与错误检测效率，为深度学习系统的可靠性验证提供了更科学的工具。该工作由Bin Duan等人完成，目前已开放PDF及HTML版本供学界参考。 #神经网络 #贝叶斯优化 #决策景观 #软件测试 #深度学习 #AI可靠性 #arXiv

潜在锚点驱动的深度神经网络测试生成方法

近日，研究人员Bin Duan及其合作者在arXiv上提交了一篇题为《Latent Anchor-Driven Test Generation for Deep Neural Networks》的论文。该论文提出了一种基于潜在锚点（Latent Anchor）的测试生成方法，旨在提高深度神经网络的测试覆盖率和故障检测能力。论文详细介绍了该方法的设计原理与实验验证，但目前尚未提供完整的实验细节和代码。该工作于2026年6月3日提交至arXiv预印本平台，可访问PDF和HTML版本。相关研究对于提升深度神经网络的安全性与鲁棒性具有重要意义。 #深度神经网络 #测试生成 #潜在锚点 #arXiv #AI安全 #软件测试 #鲁棒性 #学术论文

折叠传输MCMC

近日，一篇题为《Folded Transport MCMC: Certifiable Quotient Posterior Computation for Symmetric Bayesian Models》的论文在arXiv上发布。该研究由Jun Hu独立完成，提出了一种名为“折叠传输MCMC”的新方法，旨在解决对称贝叶斯模型中商后验分布计算困难的问题。传统MCMC方法在处理模型对称性时往往面临多模态和不可识别性挑战，而该方法通过引入折叠传输策略，能够实现可认证的商后验采样，并提供了理论保证。这一工作为复杂对称结构下的贝叶斯推断提供了高效且可靠的算法工具，有望推动相关领域在统计计算与机器学习中的应用。 #论文 #MCMC #贝叶斯 #对称模型 #统计计算 #机器学习 #arXiv

PE-MHL: Physics-Encoded Modular Hybrid Layers for Scalable Learning of Complex Systems

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Mircea Lazar [ view email ] [v1] Tue, 2 Jun 2026 23:39:23 UTC (1,583 KB) Full-text links: Access Paper: View a PDF of the paper titled PE-MHL: Physics-Encoded Modular Hybrid Layers for Scalable Learning of Complex Systems, by Ismail Hassaballa and 1 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs math 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 Expl

orer? ) 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 .

轻量级结构引导自回归模型实现可扩展图生成

这篇来自 arXiv 的论文提出了一种名为“轻量级结构引导自回归模型”的方法，旨在解决大规模新颖图生成中的可扩展性问题。传统图生成模型在处理复杂结构时往往计算成本高昂，而该研究通过引入结构引导机制，使自回归过程能够更高效地捕捉图的拓扑特征，同时保持模型轻量化。实验结果显示，该方法在多个基准数据集上实现了高质量的图生成，并在计算资源消耗和生成速度方面显著优于现有技术。该工作为图数据生成领域提供了新的思路，有望推动药物分子设计、社交网络分析等应用的发展。 #图生成 #自回归模型 #轻量级 #结构引导 #机器学习 #论文 #arXiv

稀疏混合专家奖励模型实现个性化偏好建模的可解释专家

近日，一篇发表于arXiv的论文提出了一种名为稀疏混合专家奖励模型的新方法。该模型利用稀疏混合专家架构，训练出多个可解释且专门化的专家模块，每个模块擅长评估不同维度的用户偏好，并通过门控机制动态组合输出个性化奖励评分。相比传统的单一奖励模型，该方法在个性化推荐与偏好对齐任务上表现更优，同时专家行为具备高度可解释性，有助于理解模型对用户偏好的推理过程。此项研究为强化学习和推荐系统等领域中的个性化建模提供了新的思路。 #AI #机器学习 #奖励模型 #混合专家 #个性化偏好 #可解释AI #arXiv论文

对比学习新视角：损失函数并非全部，采样条件与归纳偏置至关重要

来自 arXiv 的一篇预印本研究指出，在对比表示学习领域，仅关注损失函数的设计是远远不够的。该论文题为《损失还不够：对比表示学习中的采样条件和归纳偏置》，由 Justinas Zaliaduonis 等学者撰写。研究深入探讨了对比学习成功的关键因素，认为相比损失函数的形式，样本对的采样策略以及模型本身的归纳偏置对最终学习到的表示质量影响更为显著。相关工作揭示了当前对比学习范式中被忽视的理论层面，为理解和改进自监督表示学习方法提供了新的理论视角与实验依据。该论文已于2026年6月提交至 arXiv。 #对比学习 #表示学习 #归纳偏置 #损失函数 #采样策略 #自监督学习 #机器学习 #深度学习 #AI理论

导数信息学习交换关联泛函的新方法

一篇来自arXiv的预印本论文提出了一种名为“导数信息学习”的新方法，用于改进密度泛函理论中的交换关联泛函。该方法通过利用泛函导数信息来训练机器学习模型，旨在提升泛函的准确性和可迁移性。论文由Eike S. Eberhard等7位作者完成，于2026年6月2日提交。该研究有望为计算化学和材料科学中的电子结构计算提供更精确的工具，推动相关领域的发展。 #arXiv #密度泛函理论 #交换关联泛函 #机器学习 #计算化学 #材料科学 #导数信息学习 #预印本 #科学论文