• 

  認知卸載Cognitive Offloading

  2026-07-20 12:15
• 

  強化學習狀態抽象的組合行為語義

  2026-07-20 08:51
• 

  對認知卸載的影響與批判性思維的未來

  2026-07-19 22:08
• 

  平均場貝葉斯神經網絡的寬度魯棒可學習網絡

  2026-07-19 08:31
• 

  認知卸載的元認知洞見：機制、干預與教育啟示

  2026-07-18 18:20
• 

  貝葉斯網絡的分解:局部和并行推理

  2026-07-18 08:31
• 

  高斯過程求解微分方程的統一近似框架

  2026-07-17 23:24
• 

  二維量子轉子模型的生成式深度學習

  2026-07-17 08:32
• 

  分層貝葉斯模型中混合權重后驗分布的精確計算

  2026-07-16 21:03
• 

  關于歸一化冪先驗的計算

  2026-07-16 08:34
• 

  從貝葉斯定律到貝葉斯定理：最優信息處理與超越概率的公理基礎

  2026-07-15 08:32
• 

  認知卸載是一種認知普遍性

  2026-07-14 12:35
• 

  貝葉斯擴散模型泛化相變的精確信息論

  2026-07-14 08:32
• 

  通過評分匹配實現貝葉斯實驗設計

  2026-07-13 08:33
• 

  貝葉斯參數退化問題的符號式診斷與修復

  2026-07-12 11:10
• 

  EAGOR：全方位具身推理

  2026-07-12 00:08
• 

  算法專家聚合

  2026-07-11 13:13
• 

  線性回歸短視貝葉斯主動學習風險的近似比

  2026-07-11 08:53
• 

  跨模型MCMC算法的混合效率及其在貝葉斯系統發育學中的應用

  2026-07-11 03:44
• 

  黑洞陰影半徑的下限

  2026-07-11 02:52

• 超圖神經隨機擴散：一種用于不確定性估計的隨機微分方程框架

  2026-07-10 11:22

• 基于成分數據分析的幾何感知貝葉斯量化

  2026-07-08 13:27

• LangLoc：“告訴我你看到了什么”

  2026-07-08 12:00

• 幾何因果模型

  2026-07-07 14:25

• 面向實時倉儲分揀機優化的貝葉斯上下文老虎機比較研究

  2026-07-07 11:52

• 多模態回歸的高效解析不確定性量化

  2026-07-06 08:10

• 編碼代理的貝葉斯控制

  2026-07-03 10:32

• 廣義線性模型中的貝葉斯變量選擇

  2026-07-02 10:56

• ARC3高分 一夜全開源 但是

  2026-07-02 08:04

• 超圖模式機：面向高階交互的組合式標記化

  2026-07-01 10:37

• ARC3高分 一夜全開源

  2026-07-01 09:29

• 統計有效超參數選擇：從調優到保證

  2026-06-30 15:21

• 面向貝葉斯反演的不確定性量化動態負載均衡

  2026-06-29 17:21

• 動態網絡貝葉斯預測融合：趨勢預測與結構機制解析

  2026-06-29 09:55

• 同證異答：多模態大模型順序敏感性審查

  2026-06-28 16:51

• 貝葉斯神經網絡的等變性與增強

  2026-06-28 11:31

• 可視化與解釋后驗不確定性的方差增量

  2026-06-27 15:58

• 揭示循環神經網絡計算能力背后的結構設計原則

  2026-06-27 02:31

• 超越全球差異: 貝葉斯推理的局部質量視角

  2026-06-26 10:36

• 論測量、超決定論、自由意志與語境性

  2026-06-26 08:45

• 神經元會說話嗎？單細胞分辨率下的視覺語義敘述

  2026-06-25 17:14

• 確認偏差的適應性本質

  2026-06-24 23:33

• 均勻超圖的譜

  2026-06-24 15:19

• 零點長度作為黑洞正則性的拓撲保護

  2026-06-24 01:31

• 復合信號流理論綜述

  2026-06-23 09:50

• GATlab：用廣義代數理論進行建模與編程

  2026-06-22 23:43

• 開放線性系統的范疇論處理

  2026-06-22 13:12

• 多部超圖的不變覆蓋

  2026-06-18 11:13

• 什么是高階網絡？

  2026-06-18 08:31

• 超越成對相互作用的網絡：結構與動力學

  2026-06-17 20:40

• 復雜系統表征：為何、如何及何時

  2026-06-17 08:34

• GPT-Pro vs Codex 代碼能力比較

  2026-06-16 19:40

• 理解復雜系統：從網絡到最優高階模型

  2026-06-16 13:32

• 加權單純復形對高階網絡數據與拓撲的表達能力

  2026-06-16 10:22

• 有向超圖上的單純復形涌現

  2026-06-15 15:56

• t-一致超圖性的固定參數可解性

  2026-06-15 08:46

• 面向復雜關系數據的超圖神經網絡：捕捉真實系統中的高階依賴

  2026-06-14 11:01

• 利用多向因果結構對字符串圖進行快速自動推理

  2026-06-14 08:31

• 超圖交換格式（HIF）

  2026-06-13 20:28

• 超超圖神經網絡與多元生成圖神經網絡：理論基礎

  2026-06-13 10:14

• 超圖的新線性不變量

  2026-06-12 13:52

• 補可約一致超圖

  2026-06-12 08:32

• t-均勻超圖度序列實現空間的不可約變換

  2026-06-11 21:02

• 高階交互建模的統計視角

  2026-06-11 10:00

• 自適應壓縮：情景與語義記憶的統一框架

  2026-06-11 08:31

• 超圖模式機：面向高階交互的組合式分詞

  2026-06-10 15:49

• 新奇是人類在復雜隨機環境中探索的動力

  2026-06-10 09:08

• 克服動機科學中的碎片化:我們為什么、何時以及如何整合理論？

  2026-06-09 19:37

• 超圖重寫與λ-演算的因果結構

  2026-06-09 14:22

• 線性超圖色指數的上界

  2026-06-09 10:00

• 結構化分解：結構與算法組合性

  2026-06-08 21:19

• 高階交互學習：從超圖到多智能體系統

  2026-06-08 12:13

• 動態主題模型 Dynamic Topic Models

  2026-06-08 09:19

• 基于高階超圖的動態主題模型

  2026-06-07 22:44

• GHI：面向方面級情感分析的條件超圖關聯Graphormer模型

  2026-06-06 18:13

• HyperMixup：超圖增強的高階信息混合

  2026-06-06 13:17

• 作為語言的超圖

  2026-06-06 08:31

• 高階相互作用向成對相互作用的可約性：超圖上的社會影響模型

  2026-06-05 11:47

• 拓撲塑造高階網絡的動力學

  2026-06-05 10:41

• 高階網絡上的集體動力學

  2026-06-04 22:11

• 高階網絡上動力學的可變換性

  2026-06-04 18:27

• 炸裂！AI求解PDE！PINN顛覆科學計算的下一次革命！

  2026-06-04 08:32

• 高階網絡上的動力學：綜述

  2026-06-03 10:17

• 從動力學角度看高階網絡能否被簡化

  2026-06-02 15:51

• 維度類型系統與確定性內存管理：原生編譯中的設計時語義保持

  2026-06-01 21:30

• 程序超圖：面向幾何代數、空間計算與物理感知編譯的多元關系結構

  2026-06-01 10:39

• 應對超圖中的過平滑問題：一種里奇流引導的神經擴散方法

  2026-05-29 11:07

• 超飽和圖與超圖

  2026-05-28 14:28

• 可解釋且有效的圖神經加性網絡

  2026-05-28 09:50

• 全動態超圖神經網絡

  2026-05-27 09:21

• 通過超圖編碼實現圖神經網絡的高階學習

  2026-05-26 15:07

• 群、圖與超圖：帶支撐約束的通用矩陣核的平均維數

  2026-05-26 10:13

• 非平衡測度網絡及超網絡的傳輸度量錐規劃

  2026-05-25 11:27

• 超圖協同最優傳輸：度量與范疇性質

  2026-05-24 21:43

• 超圖階的拓撲結構

  2026-05-23 14:46

• 超圖神經擴散:一個受PDE啟發的超圖消息傳遞框架

  2026-05-22 20:50

• 超圖不變量與變換的穩定性

  2026-05-22 09:23

• HyperNATE：基于注意力的張量超圖神經網絡規模化

  2026-05-21 09:10

• 超圖譜理論：綜述

  2026-05-20 17:33

• Graphs are maximally expressive for higher-order interactions

  2026-05-20 11:32

沒有更多了...