LMT：基于贝叶斯框架的制造系统文本告警记录因果发现方法

一篇题为《LMT：制造系统中文本告警记录的贝叶斯因果发现框架》的论文在arXiv预印本平台发布。该研究由Xiaofeng Xiao等五位学者共同完成，提出了一种名为LMT的贝叶斯框架，旨在从制造系统的文本告警记录中自动发现因果关系。传统方法在处理高维、非结构化文本数据时面临挑战，而LMT通过概率建模有效识别告警事件间的潜在因果链，提升故障诊断与系统维护效率。论文展示了该框架在真实制造场景中的应用潜力，为工业智能运维提供了新的理论工具。 #因果发现 #贝叶斯框架 #制造系统 #文本告警 #人工智能 #工业智能 #arXiv

表示课程

一篇题为《表示课程：面向稳健排序与分配的分阶段训练》的学术论文在arXiv上发布。该研究由Ehsan Ebrahimzadeh等学者完成，提出了一种分阶段训练方法，旨在提升排序与分配任务的稳健性。论文通过设计课程式学习策略，逐步优化模型表示能力，以应对复杂场景下的数据偏差和噪声干扰。相关工作已通过DOI链接至关联资源，并提供了PDF全文及HTML实验版本供查阅。该研究可能对推荐系统、资源分配等领域产生积极影响。 #arXiv #机器学习 #排序算法 #课程学习 #稳健性 #AI研究

PreAct-Bench

来自 arXiv 的最新论文显示，研究团队正式发布了 PreAct-Bench，这是一个专门用于评估大语言模型（LLM）预测性监控能力的基准测试。该基准由 Hainiu Xu 等十位作者共同提出，旨在系统性地衡量 LLM 在运行过程中对潜在风险或异常行为的预测与监控性能。论文提供了完整的 PDF 版本及 HTML 预览，并附带了 TeX 源码。该工作已获得 NASA ADS、Google Scholar 等学术平台的引用与关注，同时提供了代码、数据及多种实验工具链接，如 Hugging Face Spaces 和 Replicate 演示平台。PreAct-Bench 的发布为 LLM 安全性与可靠性研究提供了重要的评估标准，有助于推动模型在实际部署中的风险预警能力提升。 #大语言模型 #基准测试 #预测监控 #AI安全 #arXiv #学术论文

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

Optuna 约束树形帕森估计器：c

该论文由 Shuhei Watanabe 等人提交至 arXiv，提出了一种名为 Optuna Constrained Tree-Structured Parzen Estimator 的新方法。研究指出，该方法是对传统约束树形帕森估计器（c-TPE）的联合密度泛化，旨在优化超参数搜索中的约束处理。论文详细阐述了其理论框架，并提供了 PDF、HTML 及 TeX 源码等完整资料。该工作属于计算机科学领域，相关引用和工具链接已集成，便于学术社区进一步探索和应用。 #arXiv #机器学习 #超参数优化 #TPE #Optuna #学术论文 #计算机科学

SinkRec：记忆门控Delta网络缓解长序列推荐中的语义状态沉没

arXiv上的一篇新论文提出SinkRec模型，旨在解决长序列推荐中常见的“语义状态沉没”问题。该问题导致模型在处理长用户行为序列时，早期信息被后续信息淹没，影响推荐准确性。SinkRec通过引入记忆条件门控Delta网络，动态控制信息更新与遗忘，有效保留关键历史语义。实验表明，该方法在多个长序列推荐基准上显著优于现有模型，为提升推荐系统对长期用户兴趣的捕捉能力提供了新思路。 #推荐系统 #长序列建模 #深度学习 #AI #论文 #arXiv

SocraticPO

一篇题为《SocraticPO: Policy Optimization via Interactive Guidance》的学术论文在arXiv上发布。该研究提出了一种名为SocraticPO的新方法，旨在通过交互式指导来优化策略。论文作者包括Zirui Liu等十一位研究者，提交日期为2026年6月3日。该方法可能借鉴了苏格拉底式问答的交互理念，通过引导式反馈提升强化学习或机器学习中的策略学习效率。论文提供了PDF、HTML及TeX源码等多种格式，并附带了BibTeX引用数据。目前该论文已被收录于计算机科学（cs）领域的浏览上下文中，并可通过Google Scholar、Semantic Scholar等学术平台检索。arXiv平台还提供了相关论文推荐、代码链接（如CatalyzeX、DagsHub）以及演示功能（如Replicate、Hugging Face Spaces），方便研究者进一步探索和复现该工作。 #SocraticPO #策略优化 #交互式指导 #arXiv #机器学习 #强化学习 #学术论文

SHAPE 论文提出专家剪枝新方法，优化稀疏混合专家大模型

一篇题为《SHAPE: Coalition-Aware Expert Pruning for Sparse Mixture-of-Experts LLMs》的学术论文近日在arXiv上发布。该研究提出了一种名为SHAPE的联盟感知专家剪枝方法，旨在优化稀疏混合专家大语言模型。传统MoE模型包含大量专家模块，计算成本高昂。SHAPE通过识别专家间的协同关系（即“联盟”），在保持模型性能的前提下，剪除冗余或低效的专家，从而显著降低推理时的计算开销和内存占用。实验表明，该方法能在不显著影响模型准确率的情况下，实现高效的模型压缩，为部署大规模MoE模型提供了新的技术路径。 #AI #大模型 #MoE #专家剪枝 #模型压缩 #arXiv #论文

TD-Grokking

一篇题为《TD-Grokking: Learning from Zero-Reward Problems by Training-Time Decomposition》的学术论文在arXiv上发布。该研究由Ningyuan Xi等三位作者共同完成，提出了一种名为TD-Grokking的新方法，旨在解决强化学习中的零奖励问题。传统方法在面对无明确奖励信号的任务时往往难以学习，而TD-Grokking通过在训练过程中对问题进行分解，使模型能够从零奖励环境中逐步提取有效信息。论文展示了该方法在多个基准测试中的表现，表明其能显著提升学习效率和泛化能力。这一工作为强化学习在复杂、稀疏奖励场景下的应用提供了新思路，可能对机器人控制、游戏AI等领域产生重要影响。 #AI #强化学习 #零奖励 #TDGrokking #学术论文 #机器学习

面向校准、公平且准确的深度伪造检测

一篇题为《面向校准、公平且准确的深度伪造检测》的论文在arXiv平台发布。该研究由Ryan Brown和Chris Russell共同撰写，旨在提升深度伪造检测技术的校准性、公平性与准确性。论文探讨了当前深度伪造检测模型在预测置信度校准、对不同人群的公平性以及整体检测精度方面存在的不足，并提出新的方法或框架来优化这些指标。研究可能涉及对现有检测算法的改进，或引入新的评估标准，以推动深度伪造检测技术向更可靠、更公正的方向发展。该工作对应对日益泛滥的深度伪造内容、维护信息真实性具有重要意义。 #深度伪造 #AI安全 #机器学习 #公平性 #校准性 #arXiv #计算机视觉

大规模动态加权有向网络表示学习的张量潜因子超参数学习方法

arXiv上发布了一项关于大规模动态加权有向网络表示学习的研究。该研究提出了一种针对张量潜因子分解的超参数学习方法，旨在提升对复杂网络结构的表征能力。论文由Yaqian Zhan等作者撰写，详细介绍了如何通过优化超参数来改进张量分解模型，从而更有效地处理动态加权有向网络中的大规模数据。该方法有望在网络分析、推荐系统等领域发挥重要作用，为处理动态网络中的时序变化和权重信息提供了新的技术路径。 #arXiv #张量分解 #超参数学习 #网络表示学习 #动态网络 #机器学习 #AI

Tensix架构下的大模型推理算子融合研究

一篇题为《Operator Fusion for LLM Inference on the Tensix Architecture》的学术论文近日在arXiv预印本平台发布。该研究由Qingbo Wu、Ke Li等多位学者共同完成，聚焦于在大模型推理场景下，针对Tensix架构进行算子融合优化。论文探讨了如何通过算子融合技术，减少大语言模型推理过程中的内存访问开销和计算延迟，从而提升推理效率。研究团队提出了针对Tensix架构特性的融合策略，旨在解决传统推理框架中算子分离执行带来的性能瓶颈。该工作为在特定硬件架构上加速大模型推理提供了新的思路，有望推动大模型在边缘计算和实时应用中的部署。 #大模型 #算子融合 #Tensix架构 #LLM推理 #AI芯片 #学术论文 #arXiv

FailureScope

研究人员提出一种名为FailureScope的新方法，用于系统诊断语言模型在不同机制下的弱点行为。该方法通过跨机制分析，能够识别模型在特定任务或场景中的系统性失败模式，而不仅仅是单一错误。研究团队利用该工具对多个主流大语言模型进行了测试，发现模型在逻辑推理、事实一致性等关键领域存在隐藏缺陷。FailureScope提供了一种可复现的诊断框架，有助于开发者更精准地定位模型短板，从而进行针对性改进。该研究为提升语言模型的可靠性和安全性提供了重要工具。 #AI #大模型 #语言模型 #模型诊断 #机器学习 #人工智能安全 #FailureScope

流式知识编译：面向时变大语言模型维基的主动重要性评分固定方法

一篇发表于arXiv的论文提出了一种名为“流式知识编译”的新方法，旨在解决大语言模型维基（LLM Wikis）中知识随时间演变的问题。该方法通过主动重要性评分（Materiality-Scored Pinning）机制，对动态更新的知识进行实时评估与固定，从而确保模型在持续学习过程中保持关键信息的准确性与时效性。研究团队来自学术界，论文详细介绍了该框架的设计原理与实验验证，为处理大规模、时变知识库的LLM应用提供了新思路。 #arXiv #大语言模型 #知识编译 #流式处理 #AI研究

校准过度自信而不牺牲自信

一项新研究提出了一种名为“探针条件化头部干预”的方法，旨在校准大语言模型（LLM）的过度自信问题，同时保持其原有的自信水平。该方法通过分析模型内部注意力头的激活模式，识别出导致过度自信的特定头部，并对其进行条件化干预，从而在不降低模型整体性能的前提下，提升其概率校准度。实验表明，该技术能有效减少模型在错误答案上的高置信度输出，同时保持正确答案的自信度，为提升LLM的可靠性和安全性提供了新思路。 #大语言模型 #校准 #过度自信 #AI安全 #注意力机制 #机器学习 #arXiv

Rotate2Think

来自arXiv的最新论文《Rotate2Think》提出了一种新颖的几何提示方法，通过正交旋转操作来增强语言模型的推理能力。该方法由Aditya Sharma等研究者提出，通过将输入数据在几何空间中进行正交旋转，使模型获得更丰富的空间表征，从而提升其在复杂推理任务中的表现。实验表明，这种几何提示策略能有效改善语言模型对空间关系和逻辑结构的理解，为提升AI推理能力提供了新思路。论文已在arXiv平台发布，并提供了PDF和HTML版本供研究者参考。 #AI #语言模型 #推理能力 #几何提示 #arXiv #论文 #机器学习

PatchSTG：面向不规则传感器网络的交通预测可扩展时空图Transformer

一项名为PatchSTG的新型可扩展时空图Transformer模型被提出，专门用于解决不规则传感器网络上的交通预测问题。该研究由Jichao Li等人完成，论文已在arXiv上发布。PatchSTG通过创新的架构设计，有效处理了传感器分布不规则带来的挑战，在保持高预测精度的同时实现了良好的可扩展性。该模型为智能交通系统中的实时流量预测提供了新的技术方案，有望提升城市交通管理的效率和准确性。 #交通预测 #时空图 #Transformer #传感器网络 #智能交通 #AI #机器学习

QSplitFL：基于能力感知深度Q学习的拆分联邦学习最优分割点选择

arXiv上发布的一篇论文提出了QSplitFL框架，旨在解决拆分联邦学习中的最优分割点选择问题。该框架利用深度Q学习算法，根据各客户端设备的计算能力、网络带宽等异构特性，动态选择最佳模型分割点，以平衡通信开销与计算负载。实验结果表明，QSplitFL在保持模型精度的同时，显著提升了训练效率，并有效适应了不同客户端的能力差异，为异构环境下的联邦学习优化提供了新思路。 #联邦学习 #拆分学习 #深度Q学习 #模型分割 #异构计算 #arXiv #AI

SPACE 论文提出多模态大模型概念擦除新方法

一篇题为《SPACE: Source-free Proxy Anchor Concept Erasure for MLLMs》的学术论文在 arXiv 预印本平台发布。该研究由 Zhijing Zhang 等八位作者共同完成，提出了一种名为 SPACE 的无源代理锚点概念擦除方法，旨在解决多模态大语言模型（MLLMs）中的概念遗忘问题。该方法无需依赖原始训练数据，通过代理锚点机制实现对特定概念的有效擦除，为提升模型安全性和可控性提供了新思路。论文已通过 arXiv 平台正式发布，并附有 PDF 全文及 HTML 实验版本供研究者查阅。 #多模态大模型 #概念擦除 #AI安全 #arXiv #学术论文

论文提出“双人探戈”方法，实现大模型安全微调中的任务与参考数据协同选择

一篇发表于arXiv的论文提出了一种名为“双人探戈”（Two to Tango）的新型方法，旨在解决大语言模型安全微调中的关键难题。该方法通过耦合任务与参考数据的选择过程，在保持模型性能的同时有效提升安全性。研究团队指出，传统微调方法往往在任务适配性和安全约束之间难以平衡，而“双人探戈”通过联合优化机制，能够自动筛选出最有利于安全微调的任务样本和参考数据。实验结果表明，该方法在多个基准测试上均优于现有技术，为构建更安全、更可靠的大语言模型提供了新的思路。 #arXiv #大语言模型 #安全微调 #AI安全 #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