University of California, Irvine
PulseAugur coverage of University of California, Irvine — every cluster mentioning University of California, Irvine across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
UC Irvine researchers leverage AI for fundamental physics research
Recent evidence shows UC Irvine researchers are using AI to study electron behavior in complex materials. This indicates a growing trend of AI application in fundamental scientific discovery beyond typical AI research labs, potentially leading to novel insights in physics and materials science.
UC Irvine researchers to publish on AI-enhanced materials science within 6 months
Given the recent cluster highlighting UC Irvine's AI application in fundamental physics to understand electron behavior, it's plausible they will soon publish research detailing AI-driven breakthroughs in materials science. This could involve new AI models or significant findings about material properties.
UCI researchers contribute to diverse AI advancements including ML models and cross-validation
Evidence shows UC Irvine researchers are involved in developing novel machine learning models (IFGRVFL-MV) and improving computational methods for AI tasks (speeding up cross-validation for sparse linear regression). This suggests a broad engagement with AI research across different subfields.
-
机器学习模型在心脏病预测方面展现出潜力
本研究论文探讨了各种机器学习技术在预测心脏病方面的应用。通过在两个不同的数据集上比较SVM、J48和朴素贝叶斯等分类器，该研究确定了早期诊断最有效的模型。研究结果表明，SVM和Simple Cart在其各自的数据集上实现了最高的准确率和最低的错误率，凸显了经过调整的机器学习模型在辅助心脏病学临床决策方面的潜力。
-
两篇新论文提出鲁棒的 RVFL 网络变体以应对噪声数据
两篇新的研究论文介绍了增强随机向量函数链接（RVFL）网络鲁棒性的新方法。RVFL 网络以其效率而闻名，但容易受到噪声数据的影响。第一篇论文 RoBell-RVFL 提出了一种质量感知、样本级别的加权机制，该机制在自适应地降低受噪声或异常值影响的多数类样本权重时，保留了少数类信息。第二篇论文 KRPRVFL 集成了一个核风险敏感的 p 次幂均值标准和一个协作学习机制，以减轻损坏样本的影响并提高稳定性。两种方法都在基准数据集上进行了评估…
-
新的SVM方法增强了对噪声数据的鲁棒性和特征选择能力
研究人员开发了一种新颖的非对称、鲁棒、有界、稀疏和光滑（aR）损失函数，用于惩罚几何孪生SVM（aRSGTSVM）。这种新方法旨在通过解决冗余特征和标签噪声等挑战来提高机器学习方法的效率。$l_1$-范数惩罚促进了特征选择，而aR损失函数增强了对标签和特征噪声的鲁棒性。所提出的方法涉及用于优化的近端梯度下降算法，并在合成和UCI数据集以及中国股市的指数跟踪任务上展示了卓越的性能。
-
心理学家指出，自我打断是注意力衰退的关键因素
一位心理学家解释说，侵蚀注意力的主要习惯并非来自外部设备通知，而是当任务变得困难时，立即从任务中抽离出来的内在行为。研究员 Sophie Leroy 将这种自我打断称为“注意力残留”，它会使一部分注意力留在未完成的任务上，从而降低返回任务时的专注能力。这个循环之所以会加剧，是因为摆脱不适感的即时满足感非常有效，导致了一种习得性行为，缩短了遇到困难与寻求逃避之间的时间间隔，最终使持续专注变得更加困难。
-
新的HEB-NB方法增强了朴素贝叶斯分类器性能
研究人员开发了一种名为分层经验贝叶斯朴素贝叶斯（HEB-NB）的新方法，以提高朴素贝叶斯分类器的性能，特别是在高基数表格数据方面。与使用固定强度的传统平滑技术不同，HEB-NB能从数据中自适应地学习平滑参数，从而实现跨类别的更好信息共享。这种方法扩展到HEB平均一元依赖估计器（HEB-AODE），理论上达到了最小最大速率，并在大量基准测试中通过经验证明显著降低了对数损失并提高了校准性能。
-
新研究探索深度学习中的不确定性量化在各种应用中的潜力
三篇新研究论文探讨了深度学习模型中不确定性量化的先进技术。第一篇论文介绍了直觉模糊深度随机神经网络（IF-dRVFL和IF-edRVFL），以提高分类任务中对噪声数据和异常值的鲁棒性。第二篇论文对基因组学应用中的不同不确定性量化方法进行了实证分析，包括深度集成、贝叶斯神经网络和蒙特卡洛-dropout，发现贝叶斯神经网络对于不平衡和分布外数据更可靠。第三篇论文提出了一种两步MV-DeepONet用于概率算子学习，增强了不确定性传播中跨…
-
研究探讨人工智能作为队友而非仅仅是工具
加州大学欧文分校和图宾根大学的研究人员的一项新研究，调查了将人工智能整合为团队成员而非仅仅作为工具的意义。该研究探讨了在团队环境中，这种转变在人机协作中的动态和潜在影响。
-
《福布斯》评选出2026年美国人最佳海外退休地点
《福布斯》发布了其2026年美国人海外最佳退休地点指南，共涵盖24个国家的96个地点。该指南考虑了生活成本、医疗保健、税收、气候风险和获得居留权难易程度等因素。毛里求斯和越南是新增的两个地点，其中毛里求斯因其有利的税收政策受到赞扬，而越南则因其经济吸引力和风景优美而受到称赞。
-
新方法改进AutoML数据集划分，以实现更好的模型评估
一篇新的研究论文探讨了在自动化机器学习（AutoML）中划分数据集的方法，以确保更准确的模型评估。该研究将五种现有策略，包括随机划分和分层抽样，与Kennard-Stone、Duplex和SPXY等几何方法进行了比较。研究人员发现，几何方法可能由于接近零的相似度得分而导致性能估计不稳定。他们提出了一种新的“Optimised-Distribution”方法，该方法优先考虑统计相似性，达到了89.0%的平均MMD相似度得分，高于其他评估策略。
-
新型 XGRVFL-MV 模型通过新颖的损失函数增强多视图分类
研究人员推出了一种新颖的多视图分类模型 XGRVFL-MV，该模型增强了随机向量函数链接 (RVFL) 网络。该新模型解决了保留视图特定的几何结构和管理大预测残差的挑战。它结合了具有内在图和惩罚图的图嵌入，利用 FleXi Guardian 损失进行残差学习，并包含一个用于视图间一致性的残差耦合项。在 UCI 和 Corel5k 等基准数据集上的实验表明，XGRVFL-MV 实现了具有竞争力的分类性能。
-
定义香港文化身份的学者阿克巴·阿巴斯逝世，享年84岁
以其对香港文化和身份的深刻见解而闻名的学者阿克巴·阿巴斯（Ackbar Abbas）已于84岁高龄辞世。他于1997年出版的开创性著作《香港：文化与消失的政治》（Hong Kong: Culture and the Politics of Disappearance）引入了“déjà disparu”（似曾消失）和“反向幻觉”（reverse hallucination）等术语，这些术语至今仍被用来描述这座城市独特的自我认知。阿巴斯的…
-
新的MVGIFBLS框架通过多视图学习和模糊逻辑增强数据分类
研究人员提出了一种新颖的多视图图嵌入直觉模糊粗糙集（MVGIFBLS）系统，旨在增强数据分类能力。该框架整合了多视图学习、图嵌入和直觉模糊理论，以改进传统的粗糙集学习系统（BLS）。MVGIFBLS旨在更好地处理噪声数据、捕捉几何关系，并结合来自多个来源的信息以获得更具辨别力的表示。在基准数据集上的评估表明，所提出的系统在面临高斯特征噪声时也能实现更高的曲线下面积（AUC）得分并展现出稳健的性能。
-
心理学家 Candice Odgers 挑战青少年社交媒体禁令的论调
心理学家 Candice Odgers 反对广泛禁止青少年使用社交媒体，认为此类政策可能会使问题恶化。她认为，尽管青少年心理健康有所下降，但将其完全归咎于社交媒体是对一个复杂问题的过度简化，该问题有多种促成因素，如经济衰退和 COVID-19 大流行。Odgers 的研究基于对青少年手机使用和福祉的大量数据，这让她质疑儿童大脑被技术从根本上重塑的说法，并强调需要对数字童年辩论有更细致的理解。
-
约会应用放弃滑动，转向 AI 驱动的按次付费模式
由斯坦福大学辍学生 Celeste Amadon 和 Asher Allen 创立的新约会应用 Known，正通过向用户收取每次约会 15 美元的费用来挑战传统的滑动模式。该公司认为，这种按次付费的模式能更好地协调激励机制，因为约会应用应该从促成实际见面中获利，而不是从无休止的个人资料浏览中获利。Known 利用 AI 进行入职和约会预订，旨在减少当前约会平台无效和用户不满的问题。另一家初创公司 222 也在试验 AI 驱动的匹配，专…
-
截至2026年，包括人工智能专家在内的科学家从美国/英国迁往中国 · 跟踪1个来源
截至2026年，几位知名科学家和专家，包括一位诺贝尔奖得主和人工智能研究人员，已从美国和英国迁往中国和香港。这些举动归因于研究资金不足、西方机构中的中国学者机会有限以及领导雄心勃勃项目的愿望等因素。知名人士包括诺贝尔奖得主Omar Yaghi加入清华大学从事人工智能研究，以及人工智能科学家Ling Haibin转至西湖大学。
-
人工智能在加州大学欧文分校攻克基础物理学谜团
加州大学欧文分校的研究人员正在利用人工智能来应对物理学中的一项基本挑战：理解复杂材料中电子的行为。这种创新的方法旨在阐明长期以来传统科学方法难以解决的现象，有可能在材料科学和凝聚态物理学领域取得突破。
-
新的IFGRVFL-MV模型通过模糊逻辑和图嵌入增强了RVFL网络
研究人员开发了一种名为直觉模糊图嵌入随机向量函数链接与多视图学习（IFGRVFL-MV）的新模型。该模型旨在通过更好地保留几何关系和利用多个特征视图来改进现有的随机向量函数链接（RVFL）网络。IFGRVFL-MV模型结合了用于处理不确定性的直觉模糊集、用于捕获几何结构的图嵌入以及用于互补信息的多视图学习。在UCI和KEEL存储库的基准数据集上进行的实验表明，IFGRVFL-MV在分类精度上优于现有模型，展示了其在具有不确定性和多…
-
新统计方法在分类准确性上优于QDA和GAM
一篇新研究论文介绍了一种用于椭圆马氏判别分析的闭式分数径向链接，旨在提高二元分类准确性。所提出的方法推导了一个贝叶斯径向链接族，并使用分数幂随机多项式投影进行估计，为样条调优提供了一种替代方案。该方法在包括金融数据和乳腺癌等医学数据集在内的各种基准测试中，已证明与QDA和全局GAM等现有方法相比，具有竞争力或更优越的性能。
-
新方法加速稀疏线性回归交叉验证
研究人员开发了一种更高效的稀疏线性回归交叉验证方法，该技术用于识别高维数据中的重要特征。新方法显著减少了在超参数调整过程中需要解决的复杂优化问题的数量。这种计算上的改进已在多个真实世界数据集上得到验证，显示出与现有软件包相当的竞争力。
-
新的SCROLL方法通过Bethe自由能优化贝叶斯神经网络
研究人员开发了一种训练贝叶斯神经网络的新方法，称为SCROLL（Shared-Cavity fRee-rOuting Last-Layer）。该方法优化Bethe自由能而非典型的证据下界（ELBO），旨在实现网络组件之间的局部一致性。SCROLL专为单次训练而设计，可以处理各种似然函数，在多个基准数据集上显示出预测准确性和校准方面的性能提升。