DiG-Plan: 利用扩散引导缓解工具图规划中的早期承诺问题

来自Yansi Li和Zhuosheng Zhang的研究论文提出了一种名为DiG-Plan的新框架，旨在解决大语言模型在工具图规划中过早承诺的问题。该方法通过引入扩散引导机制，使模型能够在多步工具调用过程中保持灵活性，避免在早期步骤就固定最终方案。实验表明，DiG-Plan在复杂规划任务上显著提升成功率，并有效减少因早期决策错误导致的级联失败。该工作为提升AI agents的工具使用与规划能力提供了新的思路。 #AI #工具图规划 #扩散模型 #大模型 #研究

当AI说它有感觉

近日，一篇题为《当AI说它有感觉》的研究论文在arXiv预印本平台发布。该论文由Shin-Nosuke Ishikawa、Seiya Ikeda和Hirotsugu Ohba共同撰写，聚焦于人工智能系统在交互中表达“感觉”或“情感”的现象。随着大语言模型等AI技术的快速发展，越来越多的用户报告称AI似乎展现出类似人类的情感反应。论文可能从技术实现、用户感知以及伦理影响等角度分析了这一现象，探讨AI的“情感表达”究竟是模拟还是某种形式的意识萌芽。该研究为理解AI与人类情感交互的边界提供了新视角，并可能引发关于AI伦理和未来人机关系的深入讨论。 #AI #情感 #论文 #arXiv #人工智能 #伦理 #人机交互

SubtleMemory：面向长时程AI智能体的细粒度关系记忆辨别基准

研究人员提出了一项名为SubtleMemory的新基准，专门用于评估长时程AI智能体在细粒度关系记忆辨别方面的能力。该基准聚焦于测试智能体在长时间交互中区分相似记忆关系的性能，对于提升AI在复杂任务中的记忆与推理能力具有重要意义。论文由Wenxuan Wang等六位作者共同完成，已提交至arXiv预印本平台。 #AI #基准测试 #记忆 #长时程 #智能体 #关系记忆 #arXiv #论文

决策聚焦生存分析

这篇发表于arXiv的论文提出了一种面向决策的生存分析方法，旨在将数据驱动的预测模型与实际的资源分配过程对齐。传统生存分析通常只关注预测精度的优化，而忽略了预测结果在下游分配决策中的实际效用。作者Itai Zilberstein等人引入决策聚焦框架，使预测模型直接服务于分配目标，从而提升资源分配的整体效率与公平性。该方法有望在医疗资源调度、保险定价等需要权衡生存时间与分配策略的领域产生重要影响。 #机器学习 #生存分析 #决策聚焦 #资源分配 #arXiv #AI #数据科学 #论文

多变量时间序列基准中的异常大多为单变量

一篇由Marc Pinet等学者提交至arXiv的论文指出，当前广泛使用的多变量时间序列异常检测基准中，绝大多数被标注的异常实际上仅由单一变量引起。研究团队通过系统分析多个公开基准数据集发现，所谓的“多变量异常”往往源于单个传感器或指标的突变，而非多个变量间的协同异常。这一发现挑战了现有评估方法的有效性，暗示许多算法的性能提升可能归因于对单变量异常的过度拟合，而非真正的多变量建模能力。该研究建议未来基准应严格区分单变量与多变量异常，以避免误导性评估结果。 #多变量时间序列 #异常检测 #基准测试 #单变量异常 #论文 #AI #机器学习 #数据科学

AdaWeather

来自阿育王大学等机构的研究人员近日在arXiv上提交了一篇题为“AdaWeather: Adaptively Mixing Probabilistic Weather Forecasts with Logarithmic Regret”的论文。该研究提出了一种自适应混合概率天气预报的新方法，能够在多个预报源之间动态调整权重，使得累积遗憾（regret）以对数级别增长，显著优于传统固定混合策略。该方法有望提升天气预报的准确性和鲁棒性，为气象预测领域提供更高效的概率融合框架。 #AdaWeather #天气预报 #概率模型 #机器学习 #自适应算法 #arXiv #气象学

Improvise, Adapt, Overcome：一种用于高效机器学习的即时多保真度算法

近日，一篇题为《Improvise, Adapt, Overcome: An On-The-Fly Multifidelity Algorithm for Efficient Machine Learning》的论文在arXiv预印本平台发布。该论文由Vivin Vinod和Peter Zaspel共同撰写，提出了一种新颖的即时多保真度算法，旨在提升机器学习模型的训练效率。该算法能够在计算过程中动态调整保真度级别，在保证精度的同时显著降低计算成本，为资源受限场景下的机器学习应用提供了新思路。论文目前处于预印本阶段，尚未正式发表，但已引发相关领域研究者的关注。 #机器学习 #多保真度算法 #arXiv #论文 #AI #算法 #高效计算

CL-DMDF

该论文提出了一种名为CL-DMDF的动态多模态数据融合模型，核心思想是利用对比学习增强不同模态数据间的表征一致性。研究针对多模态融合过程中动态数据分布变化及模态间语义对齐难题，设计了一种自适应的对比学习框架，通过构建正负样本对，引导模型学习模态不变特征。实验结果表明，该模型在多个基准数据集上优于传统融合方法，尤其在视频-文本跨模态检索和情感分析任务中表现出色，为动态多模态学习提供了新的解决思路。 #论文 #arXiv #多模态 #对比学习 #数据融合 #深度学习 #AI #计算机视觉 #自然语言处理 #课题研究

分布偏移下泛化界限中的体制到达不确定性研究

一篇题为《Regime-Arrival Uncertainty in Generalization Bounds under Distribution Shift》的学术论文于2026年6月1日提交至arXiv预印本平台。该论文由研究者Prince Poudel撰写，主要探讨在数据分布发生偏移时，机器学习模型泛化界限中存在的“体制到达不确定性”问题。研究通过理论分析揭示了在不同数据分布体制转换过程中，传统泛化边界估计的局限性，并提出新的理论框架以量化此类不确定性。这一工作对于理解模型在非平稳环境下的鲁棒性具有重要理论意义，可能推动分布偏移场景下机器学习安全性与可靠性的改进。论文当前可通过arXiv获取HTML和PDF版本。 #机器学习 #分布偏移 #泛化界限 #不确定性 #arXiv #论文 #AI理论

量化大语言模型中幻觉可从中间层隐藏状态线性解码

一项来自 arXiv 的最新研究指出，在量化大语言模型（LLMs）中，模型产生的“幻觉”现象与其中间层的隐藏状态存在线性可解码关系。研究人员通过分析量化后的 LLM 内部表征，发现利用简单的线性分类器即可从特定中间层的隐藏状态中准确预测模型即将产生的幻觉内容。这一发现不仅揭示了幻觉在模型内部的计算机制，也为未来设计更可靠的量化模型、监控和缓解幻觉提供了新的技术路径。该研究已被提交至 arXiv 预印本平台。 #AI #大模型 #幻觉 #量化 #arXiv #机器学习 #深度学习 #语言模型

Building Better Activation Oracles 论文在 arXiv 发布

一篇题为《Building Better Activation Oracles》的学术论文于2026年5月23日提交至 arXiv 预印本平台。该论文由 Jan Bauer 等五位作者共同撰写，全文以 PDF 和 HTML 格式提供，并附有 TeX 源码。论文聚焦于如何构建更优的激活预言机（activation oracles），可能涉及机器学习或神经网络中的激活函数优化与评估方法。目前该论文已被收录于计算机科学（cs）分类下，并提供参考文献、引用工具及代码链接等资源。该研究有望为相关领域提供新的理论或实践参考。 #arXiv #论文 #机器学习 #激活函数 #神经网络 #学术研究 #计算机科学

基于Marchenko-Pastur分布的深度神经网络剪枝方法

一篇题为《Pruning Deep Neural Networks via the Marchenko--Pastur Distribution》的论文近日在arXiv预印本平台发布。该研究由Leonid Berlyand等人提出，利用随机矩阵理论中的Marchenko-Pastur分布，对深度神经网络的权重矩阵进行特征值分析，从而识别并剪除冗余连接。实验表明，该方法在多种基准数据集上能有效压缩模型规模，降低计算开销，同时保持甚至提升原有精度。这一剪枝策略为部署高效深度学习模型提供了新的理论工具。 #深度神经网络 #剪枝 #MarchenkoPastur分布 #随机矩阵理论 #模型压缩 #arXiv #AI #机器学习

Geometry-Aware Tabular Diffusion 论文发布

近日，一篇题为《Geometry-Aware Tabular Diffusion》的学术论文在 arXiv 预印本平台上线。该论文由 David Turtora Zagardo 撰写，提交于2026年5月23日。论文聚焦于表格数据的生成建模，提出了一种几何感知的扩散模型，通过在扩散过程中引入几何约束，增强对表格数据内在结构的捕捉能力。该方法有望提升表格数据合成的质量，在数据增强、隐私保护等应用场景中展现潜力。目前论文可在线阅读和下载。 #arXiv #扩散模型 #表格数据 #几何感知 #生成式AI #机器学习

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

2026世界杯预测

2026年世界杯将于6月11日开赛，48支球队、104场比赛。作者放弃黑盒机器学习，转而构建一个完全透明的预测模型：基于世界足球Elo评分系统，将每支球队的评分转化为进球分布，再对整个赛事进行数万次模拟。该方法的核心在于每一步数字都能追溯至可辩论的假设——例如Elo将球队状态、阵容质量、疲劳度压缩为单一数值，并假设球队实力短期稳定。这种简单透明的流水线不仅适用于足球，还可迁移至销售业绩、交付日期、服务器负载等数据科学场景。作者强调，模型不依赖追踪数据或深度学习，任何人都能在一下午重建。通过三步走——评分、转化、模拟——生成的预测比点估计更可靠，且迫使建模者直面黑盒隐藏的假设。 #2026世界杯 #预测模型 #Elo评分 #数据科学 #足球 #透明性 #方法论

LLM量化格式终极指南

量化技术通过减少模型权重的存储比特数，让大模型在消费级显卡上运行成为可能。例如，一个700亿参数的16位精度模型需要约140GB显存，而4位量化后仅需约35GB，且质量损失极小。文章清晰对比了三大主流格式：GGUF支持CPU/GPU混合部署，兼容性最强，内置多种k-quant变体；GPTQ基于二阶优化进行权重量化，推理速度快，但仅限GPU运行；AWQ则通过激活感知量化在性能与质量间取得平衡。此外还提供了显存计算公式和快速决策表，帮助用户根据自身硬件选择最优方案。 #量化 #大模型 #GGUF #GPTQ #AWQ #LLM #AI #显存优化 #技术指南

ReLoRA: 知识重用适配助力快速部署演化中的大语言模型服务

近日，一篇题为《ReLoRA: Knowledge-Reusing Adaptation for Fast Rollout of Evolving LLM Services》的论文在arXiv上发布。该研究提出了一种名为ReLoRA的新方法，旨在通过知识重用的方式实现快速适配，从而加速演化中的大语言模型（LLM）服务的部署。传统LLM在持续演进时面临高昂的重训练成本，而ReLoRA通过复用已有知识，显著降低了新版本适配的计算开销与延迟，有望提升LLM服务的迭代效率和实用性。该工作由Yang Xu等六位作者完成，目前论文已公开供学界与业界参考。 #ReLoRA #大模型 #LLM #知识重用 #适配方法 #快速部署 #AI研究 #arXiv #科技新闻

跨模态对比学习融合心电图与血管造影实现严重狭窄分类

近日，一项发表于arXiv的研究提出了一种跨模态对比学习框架，用于同时学习心电图（ECG）和血管造影（Angiography）的表示，以提升严重狭窄分类的准确性。该研究由Nikola Cenikj等学者完成，通过对比学习对齐两种模态的特征空间，旨在融合非侵入性心电图信号与侵入性血管造影图像的互补信息。实验表明，该方法能够有效利用多模态数据，提高对心血管疾病中严重狭窄病变的识别能力，为临床诊断提供更可靠的辅助工具。该研究展示了跨模态学习在医学影像分析中的潜力，有望推动心血管疾病早期筛查和精准治疗的发展。 #跨模态学习 #对比学习 #心电图 #血管造影 #严重狭窄 #心血管疾病 #AI医疗 #医学影像 #深度学习

从碎片化ESG数据中提取可审计的气候风险情报：确定性编排与不平衡感知学习用于范围1

一篇发表于arXiv的论文提出了一种新方法，旨在从碎片化的环境、社会和治理（ESG）数据中提取可审计的气候风险情报。该方法采用确定性编排与不平衡感知学习技术，专门用于验证企业范围1、2和3的碳排放数据。研究团队通过整合多源异构数据，解决了ESG数据碎片化、质量参差不齐的问题，并利用不平衡学习算法提升了对罕见但关键风险事件的识别能力。该框架不仅提高了碳排放核算的准确性，还增强了审计过程的透明度和可追溯性，为金融机构、监管机构和企业提供了更可靠的气候风险决策支持工具。 #ESG #气候风险 #碳排放 #数据审计 #机器学习 #arXiv #可持续发展

Graph Mamba Survival Analysis Based on Topology

Yuanfang Chen等四位作者在arXiv上提交了一篇题为“Graph Mamba Survival Analysis Based on Topology-Aware Ordering”的论文。该研究将图Mamba（一种基于状态空间模型的序列建模框架）引入生存分析领域，提出通过拓扑感知的节点排序策略来更好地捕获图结构中的时序依赖关系，以提升生存模型的预测性能。论文详细阐述了方法设计与实验验证，为图神经网络与生存分析交叉方向提供了新思路。 #arXiv #论文 #生存分析 #图神经网络 #Mamba #拓扑感知排序 #机器学习 #生物信息学

类别分割异常检测中的分数方向不稳定性研究

一篇发表于arXiv的论文《Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection》由Alejandro Ascárate等学者撰写，深入探讨了异常检测中类别分割方法存在的关键问题。研究发现，当使用不同类别划分策略进行异常检测时，模型输出的异常分数方向会出现不稳定性，即同一数据点在不同分割下可能被判定为正常或异常。这种不稳定性严重影响了检测结果的可靠性和可重复性。论文通过理论分析和实验验证，揭示了分数方向翻转的数学根源，并提出了评估检测器稳定性的新指标。该研究对机器学习安全、金融欺诈检测等依赖异常识别的领域具有重要警示意义，提醒从业者需谨慎选择类别分割方式，并关注模型输出的方向一致性。 #异常检测 #机器学习 #类别分割 #分数不稳定性 #arXiv #AI安全 #数据科学