directed acyclic graph
PulseAugur coverage of directed acyclic graph — every cluster mentioning directed acyclic graph across labs, papers, and developer communities, ranked by signal.
- 2026-07-07 research_milestone Publication of a research paper introducing DAG, a new framework for 3D affordance learning using diffusion models. 来源
10 天有情绪数据
-
新的DECO框架通过减少搜索空间来加速有向无环图学习
研究人员开发了一个名为DECO（方向性证据引导配置优化）的新框架，以提高从观测数据中学习有向无环图（DAG）的效率。这种非参数混合方法利用依赖关系和方向性证据预先构建合理的父集，从而显著减小优化搜索空间。实验表明，DECO可以在保持各种DAG类型上具有竞争力的结构恢复性能的同时，指数级地减小配置空间。
-
新方法分析含隐藏混淆因素的常微分方程可辨识性
研究人员开发了一种新的方法来分析线性常微分方程（ODE）系统的可辨识性，特别是在存在隐藏混淆因素的情况下。该论文讨论了两种情况：一种是潜在混淆因素没有因果关系但遵循特定的函数形式，另一种是这些混淆因素表现出由有向无环图（DAG）描述的因果依赖关系。通过考虑连续和离散数据来自单条或多条轨迹的各种观测条件，进一步完善了分析，并使用模拟来验证理论发现。
-
新算法HOST提高了高斯有向无环图学习的效率
研究人员开发了HOST，一种用于学习高斯有向无环图（DAG）的新算法，解决了统计-计算差距问题。与需要计算成本高昂的子集搜索或样本复杂度较差的现有方法不同，HOST使用节点外评分和凸回归。该方法在多项式时间内实现了具有竞争力的图恢复，对于最大入度为d的p节点DAG，其样本复杂度为$d\log p$的量级。实验表明，HOST在运行时方面具有良好的可扩展性，同时保持了强大的图恢复性能。
-
新方法确保分布式AI智能体委托中的预算节约
研究人员开发了一种用于分布式多智能体委托系统中的容错预算节约的新方法。该方法形式化了预算（由排他性托管积分表示）如何在委托的有向无环图（DAG）中移动。即使在处理并发和易出错的工作节点、丢失消息或分区分支时，该系统也能确保预算得到保留。使用TLA+、JavaScript和SQLite进行的实验证明了该机制在各种故障场景下保持预算界限的有效性。
-
新的MatRAG框架通过分层RAG和MRL增强多跳问答能力
研究人员开发了MatRAG，一个新颖的分层框架，它集成了检索增强生成（RAG）和俄罗斯套娃表示学习（MRL），以改进多跳问答系统。该方法将文档组织成一个具有递减粒度的有向无环图（DAG）的集群，并由较低的俄罗斯套娃维度进行索引。MatRAG通过避免昂贵的知识图谱构建和LLM摘要来降低索引和查询时间成本，同时通过维度感知相似性和实体驱动的跳数预算控制机制来提高检索质量。
-
新方法通过神经网络推进摊销贝叶斯推理 · 跟踪 2 个来源
两篇新提交至 arXiv 的研究论文介绍了用于摊销贝叶斯推理的新颖方法。第一篇论文提出使用辅助监督来缓解贝叶斯推理神经网络优化中的表示差距，从而实现更快的收敛和更好的性能，尤其是在数据有限的情况下。第二篇论文提出了一种用于任意结构多层模型上摊销贝叶斯推理的通用方法，该方法从有向无环图表示自动推导出因子分解和神经网络架构。这种方法保留了所有条件独立性假设，并与黄金标准采样器非常匹配，同时将推理简化为快速前向传播。
-
新方法通过外部化CPDAG摘要提升LLM因果推理能力
研究人员开发了一种名为结构化思考（Structured Thinking）的新方法，以提高大型语言模型（LLM）的因果推理能力。这个两轮流水线首先外部化因果概率图模型（CPDAG）的摘要，然后利用这个结构化图来回答因果查询。实验表明，与基线方法相比，该方法在Corr2Cause基准测试中显著提升了Qwen3.5-27B和GPT 5.4 Mini等模型的性能，F1分数提高了13个百分点以上。研究表明，外部化和约束潜在对象的表示对于增强L…
-
新研究利用大型语言模型和新算法推进因果发现 · 跟踪4个来源
近期研究探索了因果发现的先进技术，该领域专注于从数据中推断因果关系。一篇论文研究了用于监督因果发现的模拟数据中嵌入的假设，强调了这些假设如何影响可识别性和泛化能力。另一项研究介绍了一种名为DISCO的方法，通过调整离散分布的评分匹配技术，实现了从计数数据中进行因果发现。此外，一篇论文提出使用大型语言模型来辅助寻找经济学中因果推断的工具变量，加速了传统上启发式的方法。最后，提出了一种名为MARCEDES的新型基于评分的方法，用于通过连续…
-
新方法优化AI Agent轨迹，降低成本并提高准确性
研究人员开发了一种名为依赖感知轨迹优化（DATR）的方法，用于优化多轮AI Agent的微调。该技术将Agent轨迹表示为有向无环图（DAG），以识别和移除冗余步骤，例如失败的工具调用或不必要的验证轮次。通过在这些优化后的轨迹上训练Agent，研究人员在多个基准测试中展示了下游准确性的显著提高，同时还将Token数量减少了高达48%，消息数量减少了40%，从而降低了推理成本。
-
新算法解决具有潜在混淆因素的因果发现问题
研究人员开发了一种新的因果发现算法，即使存在潜在混淆因素，也能识别观测变量之间的因果关系。该算法通过将观测变量的精度矩阵重构为稀疏矩阵（代表条件依赖）和低秩矩阵（代表潜在混淆因素的影响）的组合来工作。理论分析表明，该过程可以正确识别因果关系，其样本复杂度与边数、潜在混淆因素和观测变量的数量相关。实验结果支持了理论发现。
-
Agora 系统使用 Git 进行协作式 AI 研究
研究人员开发了 Agora，一个将 Git 用作集体自主研究共享内存的系统。该系统将研究贡献记录为仅追加的有向无环图 (DAG)，允许多个语言模型工作者在没有中央规划器的情况下协作完成任务。在一项为期 12 天的实验中，13 个语言模型处理了一个权重转移问题，发布了 1,703 项贡献，并将评估者得分从 3.39 提高到 1.899 比特/字节，缩小了与训练过的 GPT-2 124M 模型差距的 62%。
-
新型智能代理Intentest使用DAG改进自动化网络安全渗透测试
研究人员开发了Intentest，这是一种新颖的智能代理，专为网络安全中的长周期自动化渗透测试而设计。该代理通过将状态外部化到持久的事实-意图有向无环图（DAG）上，解决了基于LLM的系统中的上下文遗忘和意图漂移问题。Intentest将已验证的网络状态存储为事实节点，并将探索方向存储为意图边，显著减少了无效转换并提高了探索效率。在真实的Capture the Flag挑战中进行评估，Intentest取得了88.2%的总体成功率，与…
-
新研究优化了网络化模型中的 AI 信息聚合速率
研究人员优化了对网络化学习模型（特别是在有向无环图（DAG）中）信息聚合速率的理解。在此前 Kearns、Roth 和 Ryu 的工作基础上，本研究分析了线性回归和逻辑分类问题。研究结果表明，这些模型中信息聚合的最优速率在一定深度内是恒定的，然后呈多项式下降，提供了比以往更精确的理论界限。
-
AI 编码代理需要结构化理解，而不仅仅是反应式修补
当前的 AI 编码代理通常像初级开发人员一样行事，将编译器视为昂贵的 REPL，并进行反应式错误修补，而不是理解代码库的结构。这种方法由于可能破坏上下文，因此对于企业来说在商业上是不可行的。为了解决这个问题，OmniForge Planning Engine 使用了 AST 优先拓扑和 DAG 规划来映射依赖关系并确保在执行代码之前的结构完整性，从而防止破坏性的反应式修补。
-
新框架提出因果证据治理以实现人工智能公平性
一个名为因果证据治理（CEG）的新框架已被提出用于高风险机器学习系统，以解决当前公平性治理实践的局限性。CEG 利用版本化的有向无环图来划分因果路径，并使用因果伤害率（Causal Harm Rate）来衡量可归因于不允许路径的预测变异。每个决策都通过加密签名的决策证据包（Decision-Evidence Packet）进行保护，该包可集成到默克尔树（Merkle tree）中以进行高效验证。该框架使用合成的信用申请人数据和德国信用…
-
DART框架使用DAG和区块链实现可信的LLM多智能体协作
研究人员推出DART，一个旨在增强大型语言模型（LLM）多智能体系统中信任和问责制的新框架。DART利用有向无环图（DAG）结构进行工作流编排，并将其与区块链赋能的去中心化治理相结合。通过实施声誉感知任务分配和动态行为更新，该方法旨在缓解开放环境中不合作或恶意智能体带来的问题。评估表明，DART显著提高了任务成功率，并能有效隔离和遏制恶意智能体行为，其表现优于传统的中心化系统。
-
StructSynth框架使用依赖图进行低数据表格合成
研究人员开发了StructSynth，一个旨在改进表格数据合成的新框架，特别是在低数据场景下。该方法利用依赖图作为显式的生成计划，指导合成过程中每一步的顺序和条件。通过将LLM推理与统计线索相结合来构建这些图，StructSynth旨在比现有方法更有效地保留特征间的依赖关系。实验表明，StructSynth在下游应用效用和隐私风险排名方面均达到了最先进水平。
-
生成式AI媒体管道面临新的安全威胁
生成式AI媒体管道，特别是那些使用基于节点的画布和客户端WebGPU的管道，容易受到资源耗尽和拒绝服务攻击。与传统的Web服务不同，这些管道涉及持续的计算负载和非线性的资源成本，包括内存放大、推理延迟瓶颈和带宽饱和。保护这些系统需要超越简单的请求计数器的专业滥用预防策略，重点关注计算稀缺性和代理循环风险。
-
新研究探讨动态规划的几何特性以实现神经网络泛化
研究人员探讨了动态规划（DP）的几何特性，以理解标准神经网络在DP任务中泛化到更长输入时为何会遇到困难。他们确定有限的最小加法DP问题等价于有向无环图上的最短路径问题，这些问题也可以表示为热带多项式。该研究引入了关于这些DP结构降维和组合的两个结构性负面结论，表明当前长度泛化方法的局限性。
-
新的GeoRisk-RAG框架提高了LLM在地理空间领域的可靠性
研究人员开发了GeoRisk-RAG，一个旨在提高大型语言模型（LLM）生成答案可靠性的新框架，特别是在自然灾害管理领域。该系统解决了地理有效性的关键问题，即一个地点正确答案可能对另一个地点不正确。GeoRisk-RAG使用分层感知方法和有向无环图（DAG）来估计上下文检索期间的地理适用性，从而降低了对依赖位置的问题的错误置信度。实验表明，错误置信率显著下降，使得地理空间领域的决策更加安全。