10:14
arXiv cs.LG@Phong Dang, Evander Espinoza, Xiaoliang Wan, Michela Negro, Jerry P. Draayer, Feng Pan, Tomas Dytrych, Daniel Langr, David Kekejian
推荐理由：这篇论文用可解释神经网络从对称性角度预测原子核质量，WINN模型精度0.430 MeV，还揭示了中子滴线和超重区的新现象，值得搞核物理或AI的人看看。
全部 AI 动态
AI 相关资讯全量信息流
6月29日
10:14
这篇论文研究SU(3)和SU(4)对称性是否支配整个核素图的核结合能。作者构建了三种神经网络质量模型：FINN（点预测）、GINN（不确定性量化）和WINN（以Casimir算子为基的质量公式）。训练数据为AME2016，验证于AME2020新增核。SU(4)算子单独使均方根误差（RMSE）相较液滴基线在训练和测试集上降低近一半，在外推上降低约五分之一。WINN达到最低验证RMSE为0.430 MeV，与顶级质量模型竞争力相当。WINN还揭示中子滴线附近SU(4)二次Casimir增强（对称性恢复）和超重区四次算子意外增益。
6月16日
20:46
AITOP6月16日 20:46
12:26
12:26
arXiv cs.LG@Alper Yıldırım
推荐理由：这篇论文用Oppenheim-Lim实验方法测试了多个模型（ViT、CNN）的内部表示，发现相位才是关键，还解释了为什么CNN和ViT对纹理和形状的偏好不同。
6月15日
11:12
11:12
arXiv cs.AI@Michael Goodale, Salvador Mascarenhas
推荐理由：论文证明神经网络还解不开这个经典难题
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
12:37
12:37
arXiv cs.AI@Gleb Gerasimov, Timofei Rusalev, Nikita Balagansky, Daniil Laptev, Vadim Kurochkin, Daniil Gavrilov
精选
推荐理由：做神经网络可解释性研究的团队会关心——SAE特征不稳定不是噪声，而是低维结构的基选择问题，看完能帮你更合理设计实验和解读结果。
6月10日
09:29
09:29
arXiv cs.LG@Jakob Galley, Vahid Shahverdi, Axel Flinth
精选
推荐理由：这项研究澄清了数据对称性与神经网络训练动力学之间的深层关系，对理解数据增强的理论基础有重要意义。做理论研究的机器学习学者值得关注，它可能影响你对数据增强策略的设计思路。
5月28日
11:32
11:32
arXiv cs.AI@Bibek Poudel, Sai Swaminathan, Weizi Li
推荐理由：城市交通规划团队终于有了一个能提前预见线路设计后果的AI工具——AlphaTransit用搜索+学习解决了公交网络设计的延迟反馈难题，做交通规划或智慧城市的研究者可以直接用开源代码跑自己的数据。
5月25日
10:02
10:02
arXiv cs.LG@Vincent C. Brockers, Roman D. Ventzke, Valentin Neuhaus, Belén Hidalgo-Ogalde, Viola Priesemann
推荐理由：这篇论文揭示了神经网络蒸馏中一个反直觉但关键的机制——潜意识学习并不依赖初始化匹配，而是由输出头兼容性驱动。做模型压缩、知识蒸馏或研究表征对齐的研究者值得细读，它可能改变你对蒸馏数据选择的认知。
5月22日
11:19
11:19
arXiv cs.LG@Carlos Heredia, Daniel Roncel
精选
推荐理由：零售定价和需求预测的从业者终于有了一个能稳定估计交叉价格弹性的工具——ICDN直接解决了传统模型在弱识别场景下的不稳定问题，做品类管理和定价优化的团队值得关注。
5月21日
12:23
12:23
arXiv cs.LG@Alim Igilik
精选
推荐理由：地震预测领域终于有了能捕捉空间异质性的神经网络方法，做灾害风险评估的团队可以直接用分位数构建警报，比传统全局假设模型更准。
5月15日
11:09
11:09
arXiv cs.LG@ML Nissen Gonzalez, Melwina Albuquerque, Laurence Wroe, Jacob Meyer Cohen, Logan Riggs Smith, Thomas Dooms
精选
推荐理由：做可解释性研究的团队终于有了一个不依赖经验近似、能真正衡量网络等价性的工具，值得关注。
5月11日
11:44
11:44arXiv cs.LG（学术论文）
推荐理由：对强化学习研究者有参考价值，提供了超越传统策略分析的模型内部状态洞察方法，尤其可用于分析RLHF训练中的阶段变化。