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 .

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

Dual Advantage Fields 论文在 arXiv 发布

据 arXiv 预印本平台信息，一篇题为“Dual Advantage Fields”的研究论文于2026年6月2日提交。该论文由 Alexey Zemtsov 与其七位合作者共同完成，全文以 PDF 格式公开，并支持 HTML 预览与 TeX 源码下载。该论文出现在 arXiv 计算机科学方向，目前尚未公布具体研究内容摘要，但作者团队和提交时间已引发学术社区关注。读者可通过 arXiv 网站访问完整论文。 #arXiv #学术论文 #AI #机器学习 #预印本 #研究动态

KODA：面向视觉

近日，一篇题为《KODA: Contrastive Representation Comparison and Alignment for Vision-Language Foundation Models》的论文在arXiv上发布。该研究由Youqi Wu等人提出，旨在通过对比学习优化视觉-语言基础模型中的表示比较与对齐问题。KODA方法通过引入对比表示比较机制，增强模型对跨模态语义差异的捕捉能力，从而提升图文匹配、视觉问答等下游任务的性能。论文还提供了完整的实验代码与数据，为多模态AI领域的研究提供了新的思路。目前该论文已开放PDF全文及HTML预览。 #论文 #视觉语言模型 #对比学习 #多模态AI #arXiv #KODA #表示对齐

自回归一致性损害安全对齐

一篇题为《当自回归一致性损害安全对齐》的论文近日在arXiv预印本平台发布。研究指出，在大语言模型的安全对齐训练中，过度追求自回归生成的一致性（即模型在连续输出中保持逻辑连贯）反而可能削弱模型的安全防护能力。作者通过实验发现，当模型被强制维持上下文一致性时，它更倾向于重复或延续之前的安全违规模式，从而绕过安全护栏。这一发现挑战了当前主流的安全对齐方法，提示开发者需要在一致性与安全性之间寻找更精细的平衡。该研究为提升AI系统的鲁棒性提供了新的视角。 #AI安全 #大模型 #自回归 #安全对齐 #arXiv #论文 #人工智能

无神经元智能交通

一篇来自arXiv的预印本论文提出了一种新颖的地铁网络扩展方法，利用表格强化学习（Tabular Reinforcement Learning）在无需神经网络的情况下实现公平的交通规划。该方法名为“无神经元智能交通”，旨在解决传统地铁扩建中可能出现的区域发展不均衡问题。研究团队通过构建状态-动作表格，将地铁线路的扩展决策建模为强化学习问题，并引入公平性约束，确保不同社区都能获得合理的交通服务。实验表明，该表格强化学习方法在计算效率和可解释性上优于基于深度神经网络的方案，为城市交通规划提供了一种轻量级、透明的替代工具。论文作者来自希腊等机构，目前该研究尚处于学术讨论阶段。 #强化学习 #地铁规划 #公平交通 #表格方法 #智能交通 #arXiv #城市计算

ADAPTOOD：面向分布外心电图时间序列模型的不确定性感知微调方法

一篇发表于arXiv的论文提出了一种名为ADAPTOOD的新方法，旨在解决心电图（ECG）时间序列模型在分布外数据上的泛化问题。该方法通过不确定性感知的微调策略，使预训练模型能够更好地适应与训练数据分布不同的真实场景，从而提升对异常心电信号的识别能力。研究团队在多个公开数据集上验证了该方法的有效性，结果显示ADAPTOOD在保持原有模型性能的同时，显著增强了模型对未知分布的鲁棒性。这一工作为医疗AI中的时间序列模型部署提供了新的思路，尤其适用于心电图等动态生理信号的实时监测与诊断。 #论文 #ECG #时间序列 #不确定性 #微调 #AI #医疗 #分布外泛化 #鲁棒性

When Offline Selectors Cannot Beat the Best Single Model: A Diagnostic Study on edX Dropout Prediction

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Tyler Crosse [ view email ] [v1] Tue, 2 Jun 2026 19:24:09 UTC (1,341 KB) Full-text links: Access Paper: View a PDF of the paper titled When Offline Selectors Cannot Beat the Best Single Model: A Diagnostic Study on edX Dropout Prediction, by Tyler Crosse and 5 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 Explo

rer ( 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 .

EvalStop：利用世界反馈检测并纠正多租户RLHF平台的奖励过度优化

来自arXiv的最新论文提出了一种名为EvalStop的方法，旨在解决多租户强化学习人类反馈（RLHF）平台中常见的奖励过度优化问题。在传统的RLHF训练中，奖励模型可能被过度拟合，导致生成模型产生不真实或有害的输出。EvalStop通过引入“世界反馈”——即来自真实环境或用户的信号——来实时检测奖励过度优化的迹象，并动态调整训练策略以纠正偏差。该方法适用于多租户场景，能够在不干扰不同用户或任务训练进程的前提下，提升整体模型的鲁棒性和安全性。实验结果表明，EvalStop有效减少了奖励欺诈行为，增强了RLHF系统的可靠性，为大规模AI对齐提供了新的技术路径。 #AI #RLHF #奖励过度优化 #EvalStop #arXiv #机器学习 #AI安全 #多租户 #论文

物理信息机器学习助力短期洪水预测

一篇题为《Physics-Informed Machine Learning for Short-Term Flood Prediction》的论文近日在arXiv预印本平台发布。该研究由Tewodros Syum Gebre等三位学者共同完成，旨在通过融合物理规律与机器学习模型，提升短期洪水预测的准确性与可靠性。传统数据驱动方法常因缺乏物理约束而泛化能力不足，而物理信息神经网络（PINN）等技术的引入，有望在有限观测数据下捕捉洪水演进的关键动力学特征。论文提交于2026年6月2日，目前提供PDF全文及HTML预览。该工作为水文预报领域提供了新的技术路径，对防灾减灾具有潜在应用价值。 #机器学习 #洪水预测 #物理信息 #PINN #arXiv #水文 #AI #防灾减灾

平稳性感知检索增强时间序列预测方法发布

来自arXiv的最新论文显示，研究者提出了一种名为“平稳性感知检索增强时间序列预测”的新方法。该方法旨在提升时间序列预测的准确性和鲁棒性，通过引入检索增强机制并特别关注数据的平稳性特征，从而更好地捕捉时间序列中的复杂模式。论文由Shiqiao Zhou等六位作者共同完成，于2026年6月2日提交至预印本平台，目前可在arXiv上获取全文。 #时间序列预测 #检索增强 #平稳性 #机器学习 #arXiv #学术论文 #AI #时间序列分析

dMX：可微混合精度分配技术，优化低精度浮点格式

近日，一篇题为“dMX: Differentiable Mixed-Precision Assignment for Low-Precision Floating-Point Formats”的论文在arXiv上发布。该研究提出了一种名为dMX的可微混合精度分配方法，旨在自动为深度学习模型中的不同层或操作分配最合适的低精度浮点格式（如FP8、FP16等），以平衡模型精度与计算效率。传统混合精度训练依赖人工经验或启发式规则，而dMX通过将精度选择过程嵌入到训练流程中，利用梯度下降进行端到端优化，从而在保持模型性能的同时显著降低显存占用和计算开销。实验表明，该方法在多个主流神经网络上取得了优于现有规则的加速效果，为低精度推理和训练提供了更灵活、高效的自动化解决方案。 #dMX #混合精度 #低精度浮点 #深度学习 #AI优化 #论文 #arXiv