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

从离散到连续：神经网络强化学习在连续环境中的动态机制

这篇来自arXiv的预印本论文探讨了神经网络强化学习在连续环境中的动态行为。传统强化学习多基于离散时间步和状态，而现实世界中的任务（如机器人控制、自动驾驶）往往需要处理连续的状态和动作空间。研究提出了一种从离散“滴答”事件到连续“流”的转化框架，分析了神经网络的训练动态、收敛特性以及策略学习的底层机制。通过理论推导和模拟实验，论文揭示了连续环境下强化学习算法与神经网络的交互规律，为提升复杂连续决策任务的性能提供了理论基础，有望推动强化学习在物理世界中的应用。 #神经网络 #强化学习 #连续控制 #机器学习 #AI研究 #arXiv #动态系统

预训练阶段引入强化学习

一篇题为《预训练期间的强化学习探索：重新审视大语言模型训练的策略优化》的学术论文在arXiv上发布。该研究由Rachit Bansal等四位作者完成，提交于2026年6月2日。论文主要探讨在大型语言模型（LLM）的预训练阶段，如何通过引入强化学习中的“探索”机制来改进策略优化算法。传统预训练通常采用监督学习范式，而该工作重新审视了策略优化在预训练中的角色，试图将强化学习的决策与探索能力融入早期训练环节，以提升模型学习效率与泛化能力。研究可能对现有LLM训练流程提出修正，为未来更高效的模型开发提供新思路。 #AI #大模型 #强化学习 #预训练 #策略优化 #LLM #论文 #arXiv

Recover-LoRA

随着大语言模型规模不断增长，模型量化成为部署的关键技术，但将模型压缩至2比特等极低精度时，会引发严重的精度损失。来自研究人员提出Recover-LoRA方法，通过低秩适应（LoRA）与基于合成数据的知识蒸馏，有效恢复2比特量化模型的准确率。该方法在保持极低存储成本的同时，大幅缩小了与全精度模型的性能差距，为在资源受限设备上高效部署大模型提供了新思路。实验表明，Recover-LoRA在多项自然语言任务上显著优于传统量化后训练方法，验证了其有效性。 #AI #大模型 #模型量化 #LoRA #知识蒸馏 #模型压缩 #arXiv

反事实行为的几何视角

arXiv 上近日提交了一篇题为《A Geometric View of Counterfactual Behavior: Interaction of Boundary Proximity and Local Support》的研究论文。该论文由 Ioanna Gemou 等四位作者完成，从几何视角系统探讨了反事实行为的内在机制，重点分析了决策边界邻近度与局部数据支持之间的交互作用。研究可能为机器学习可解释性、因果推理等领域提供新的理论框架。论文当前已在 arXiv 平台发布，相关代码和补充资料可通过链接获取，尚未正式注册 DOI。 #arXiv #反事实 #机器学习 #因果推理 #几何视角 #学术研究 #AI可解释性

无训练词汇

一篇题为《Training-Free Lexical-Dense Fusion for Conversational-Memory Retrieval》的学术论文于2026年6月2日提交至arXiv预印本平台。该论文由研究者Christian Lysenstøen独立完成，提出了一种无需额外训练即可将词汇匹配与密集向量检索相融合的新方法，专门用于对话系统中的记忆检索任务。传统对话记忆检索通常依赖监督训练或复杂微调，而该方法通过巧妙结合词袋模型与稠密嵌入的互补优势，在零训练开销下显著提升检索精度与效率。实验表明，该融合策略在多个对话基准数据集上优于纯词汇或纯密集方法，尤其在处理长对话历史和模糊查询时表现突出。该工作为构建更轻量、灵活的对话记忆模块提供了新思路，有望降低实际部署中的计算与数据标注成本。 #对话系统 #记忆检索 #无训练融合 #词汇-密集检索 #arXiv #自然语言处理 #AI研究

Metric-Aware Hybrid Forecasting for the CTF4Science Lorenz Challenge

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Cen Lu [ view email ] [v1] Tue, 2 Jun 2026 20:20:40 UTC (9 KB) Full-text links: Access Paper: View a PDF of the paper titled Metric-Aware Hybrid Forecasting for the CTF4Science Lorenz Challenge, by Cen Lu 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? ) Lit

maps 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 .