machine learning
PulseAugur coverage of machine learning — every cluster mentioning machine learning across labs, papers, and developer communities, ranked by signal.
- used by natural language processing 90%
- instance of artificial neural network 90%
- used by optimal transport 90%
- used by graphics processing unit 90%
- instance of foundation model 90%
- used by gradient descent 90%
- instance of deep neural network 90%
- instance of generative adversarial network 90%
- instance of Accuracy 90%
- used by machine learning model 90%
- instance of Recurrent Neural Networks 90%
- instance of active learning 90%
- 2026-05-13 research_milestone A new paper details a machine learning model for predicting pregnancy-associated thrombotic microangiopathy. 来源
29 天有情绪数据
-
数字化孪生技术通过实时数据和人工智能革新海事运营
数字化孪生技术通过创建船舶及其系统的虚拟副本，正在革新海事行业。这些数字模型利用来自传感器的实时数据，结合人工智能和机器学习，来监控性能、预测故障并优化运营。这种方法能够实现预测性维护，提高燃油效率，并增强在充满挑战的海洋环境中的整体船舶安全性和可靠性。
-
Google Colab 机器学习指南
本文提供了一份使用 Google Colab 进行机器学习的实用指南。它详细介绍了如何使用 Python 和 Scikit-learn 构建、训练和评估机器学习模型。该指南强调，无需进行本地安装即可开始。
-
Ken Griffin区分AI与机器学习，并引用了agentic系统示例
对冲基金亿万富翁Ken Griffin对商界误解当前技术革命表示担忧，他区分了真正的人工智能和先进的机器学习。Griffin分享了一个晚餐轶事，其中CEO们将业务增长归功于“AI”，但他认为这些实际上是机器学习、数字化或优化的例子。他强调了一个具体案例，其中一名团队成员开发了一个agentic AI系统，能够在数小时内复制和验证学术金融论文，而这通常需要人类研究员数周时间，以此强调他对高级AI的定义。
-
Siamese神经网络预测3D渗流模型中的临界现象
研究人员开发了一种新颖的Siamese神经网络（SNN），旨在用于3D渗流模型中标签高效的临界现象预测。该框架使用最少的标记数据即可准确识别相变和临界指数，甚至无需重新训练即可泛化到不同的晶格结构。SNN能够自主学习量化团簇大小，证明了其在显式序参数未定义的稀疏数据环境中进行临界性检测的潜力。
-
NEST框架通过面向模式的专家混合模型应对数据集变化
研究人员推出了一种新颖的NEST框架，旨在解决复杂系统中数据集级别的分布变化问题，特别适用于长期预测。NEST采用两阶段的专家混合（MoE）架构，通过首先将数据聚类为不同的运行模式来建模和重构演变结构。一个面向模式的路由器随后指导专门的专家捕捉模式特定的动态，从而在各种基准测试中取得了最先进的性能。
-
AI 稳定性：锚定机器学习以对抗漂移
本文讨论了在机器学习系统中保持稳定性和防止漂移的重要性，并将其与其他领域的积极管理进行了类比。它强调了清晰的根本原则和解决逻辑不一致性问题的方法的必要性。文章认为，通过珍视这些锚点，我们可以更好地管理复杂系统的演变。
-
将自由意志概念化为变分自编码器中的一个学习参数
本文提出将自由意志视为一个模型参数，而不是算法的二元状态，类似于变分自编码器（VAE）中的标准差（σ）。与语言模型的温度或强化学习代理的 epsilon（全局且由用户设置）不同，VAE 的 μ 和 σ 是输入相关的并且是学习到的。作者认为，VAE 中用于平衡泛化与过拟合的 KL 散度项代表了灵活性与约束之间的学习平衡，从而将自由意志形式化为每个维度的、学习到的属性。
-
新的采样方法使机器学习能够处理可变大小的输入
研究人员提出了一种新颖的机器学习模型框架，该框架能够处理不同大小的输入，例如点云、序列和图。该方法利用随机采样映射来比较和近似不同维度的输入，解决了泛化到更大未见数据和高效评估的挑战。该方法为跨越各种函数类（包括在序列、图和张量上定义的函数类）的泛化和草图提供了明确的速率。
-
新研究将RoPE频率使用与训练数据结构和长度泛化联系起来
一篇新研究论文探讨了Transformer中的旋转位置嵌入（RoPE）如何非均匀地使用频率，并提出了一个以数据为中心的解释。研究表明，RoPE频率的选择是为了与训练数据的相对距离结构对齐，最优频率与数据诱导的依赖性剖面的宽度成反比。这一原理有助于解释语言模型中涌现的频率使用，并与长度泛化相关联，在长度泛化中，降低频率可以提高性能，当依赖性近似于训练时结构的扩张时。
-
新的最优控制方法通过误差估计自适应神经网络深度
研究人员开发了一种新颖的神经网络架构自适应方法，将训练视为一个连续时间最优控制问题。该方法使用后验误差估计来识别应插入新层的层，以改进近似误差。该框架引入了一种新架构，其中权重和偏置是跨层的分段线性函数，并利用双重加权残差方法进行误差界定。该方法在科学数据集上，包括学习Navier-Stokes方程的映射，已证明了卓越的泛化性能，优于现有的自适应技术。
-
新研究将神经网络优化器偏差视为信息分配动力学
本文从新的视角介绍了理解神经网络训练中优化器的隐式偏差。它提出了一种“信息分配动力学”方法，将偏差视为训练信号在类权重和类偏置参数路径之间的相对分布。这种分配可以通过连续的“预条件指数p”来控制，影响残差信号的保留和更新方式。该研究将优化器偏差的分析从最终解决方案的几何形状转移到训练过程中的动态更新过程，强调了其对参数轨迹和泛化能力的影响。
-
AI With Python 2026 系列探讨机器学习基础知识
本文是关于使用 Python 进行 AI 系列文章的一部分，深入探讨了计算机如何从数据中学习这一基本问题。它区分了 AI 和机器学习，并探讨了包括监督学习、无监督学习和强化学习在内的各种学习范式。文章还概述了典型的机器学习工作流程，并重点介绍了这些概念的实际应用。
-
机器学习泛化与超导转变物理学相关联
研究人员利用动力学平均场理论解释了机器学习中的“双下降”现象，即模型容量超过数据点时泛化能力仍会提高。这种行为被确定为训练过程中的一个相变，其特征是由于ergodicity破坏导致涨落耗散定理的失效。该研究的发现表明，该相变的响应函数与超导转变的伦敦模型之间存在联系，波函数刚度与神经网络的泛化能力相关。
-
新界限改进子模最大化评估
研究人员为预算约束的子模最大化问题开发了新的数据依赖性上界。这些界限在理论上优于最优解，并且在真实数据集上已通过实证证明能提供更严格的最优解认证。这项工作旨在改进机器学习和数据挖掘等领域中作为关键组成部分的子模最大化算法的评估。
-
新方法通过反事实策略估计增强了安全贝叶斯优化
研究人员开发了一种新颖的安全贝叶斯优化方法，专为干预措施不得将结果降低到特定阈值以下决策场景而设计。该方法解决了在遵守安全约束的同时优化目标所面临的挑战，特别是在基线策略的结果是反事实且未被观察到的情况下。通过采用一致性预测来估计这些反事实结果的不确定性区间，该系统可确保约束违反率保持在用户指定的范围内，并适应协变量偏移和正式的安全证明。
-
新的聚类算法学习标称和有序属性的权重
研究人员开发了一种新颖的分类数据聚类距离度量方法，该方法同时考虑了标称和有序属性。这种新的度量方法统一了这些属性类型的处理方式，并保留了有序值固有的顺序信息。此外，所提出的聚类算法将类内属性距离权重和数据分区的学习整合到一个单一过程中，旨在避免次优解。实验结果表明，该方法优于现有方法。
-
AdaStop框架通过管理标注成本优化深度神经网络测试
研究人员开发了AdaStop，一个新颖的框架，旨在通过智能管理标注成本来优化深度神经网络（DNN）的测试。AdaStop将测试视为一个成本效益决策过程，解决了确定适当标注预算的挑战。它估计边际故障发现率，并在该比率低于预定阈值时停止标注，从而减少不必要的开支，同时仍能发现模型中的大部分故障。
-
机器学习准确率指标被认为不诚实
文章认为，准确率是机器学习中一个具有误导性的指标，尤其是在数据集不平衡的情况下。它指出，高准确率分数可能具有欺骗性，掩盖了在少数类别上的糟糕表现，并提倡使用更细致的评估指标。作者暗示，仅仅关注准确率可能会导致对模型性能产生虚假的安全感。
-
新的PROBE算法利用LLM改进成本高昂的决策制定
研究人员开发了一种名为PROBE（Proxy OLS for Best-arm Exploration）的新算法，用于改进在奖励观察成本高昂时的决策制定。该算法利用来自机器学习和大型语言模型的廉价、相关的代理分数以及实际奖励数据。PROBE能有效地学习代理与奖励之间的相关性，与传统方法相比，尤其是在相关性较强的情况下，能显著节省样本。数值实验证明了其在汽车贷款定价等场景中的有效性。
-
新流水线优化LLM适配器服务的GPU效率 · 跟踪2个来源
arXiv上的一篇新论文详细介绍了一个数据驱动的流水线，旨在优化大型语言模型（LLM）适配器服务的GPU效率。该流水线使用数字孪生和机器学习模型来预测性能并确定适配器放置，目标是通过实现接近峰值的利用率来最大限度地减少GPU资源需求。实验表明，该方法可以将目标工作负载所需的GPU数量平均减少60%。另外，一篇dev.to文章讨论了在笔记本电脑上本地运行LLM的局限性，强调了由系统RAM决定的集成GPU（iGPU）显存上限如何影响模型性…