#机器学习
共 20 篇相关内容 · 安全漏洞、AI动态、技术文章
技术文章 12
可解释元学习破解多目标化学搜索难题：洛斯阿拉莫斯团队如何用线性模型高效筛选数十万金属有机配合物
在药物设计、材料科学和能源技术领域，分子发现始终是推动进步的核心驱动力。理论上，可合成分子的空间估计超过10的60次方种候选结构——这个数字比可观测宇宙中的原子数量还要庞大得多。穷举法在这个组合爆炸面前毫无意义：即便只是枚举其中一小部分候选
冯·诺依曼熵估算的两条路径：变分量子算法与经典卷积神经网络在多量子三能级系统中的对决
# 冯·诺依曼熵估算的两条路径：变分量子算法与经典卷积神经网络在多量子三能级系统中的对决 ## 引言：为什么量子熵如此重要？ 量子信息科学在过去二十年间经历了从理论构想到工程实践的深刻转变。在这一转变过程中，一个核心物理量始终占据着舞台
基因证据与药物获批：26278对靶标-疾病数据揭示遗传学在新药开发中的真实权重
## 一项横跨多个治疗领域的大规模观察性分析，用26,278个靶标-疾病配对的数据，重新审视遗传学证据对药物研发决策的真实预测能力 ### 第一部分：问题的提出——遗传学验证假说的光环与阴影 在当代药物研发领域，"遗传学验证"已经成为一
DFT训练的神经网络势能否复现水溶液中镁离子的结构、溶剂化与水交换性质？
<h2>引言：镁离子——被忽视的"困难户"</h2> <p>在生物化学的版图中，镁离子（Mg²⁺）占据着一个独特而关键的位置。它是叶绿素分子中心的金属原子，是DNA和RNA聚合酶不可或缺的辅因子，是数百种酶促反应的激活剂。从光合作用到蛋
可预测性：一种比差分隐私更精细的隐私度量框架
本文解读Lu与Sridharan的论文，该文提出"基于可预测性的隐私"框架，以攻击者预测能力增量来度量隐私泄露，相比差分隐私的最坏情况假设更精细。框架显式建模攻击者已有知识、数据生成过程和敏感查询族，证明与DP一般不可比但极端场景蕴含MI-DP，并基于广义矩方法推导ERM输出扰动方案。文章从研究动机、技术方法、理论对比到应用前景做了全面中文解读。
当注意力不再需要特征：李代数注意力机制的革命性突破
本文解读了一项突破性研究：李代数注意力（Lie-Algebra Attention）。该研究首次将Transformer中的注意力token定义为矩阵李群的群元素，注意力分数由封闭形式的代数范数直接给出，天然满足等变性，首次让仿射群进入注意力机制的适用范围，用50-80倍更少的参数达到与学习核相当甚至更优的性能。
确定性多重校准的最优解：从随机性到确定性的理论突破
本文深入解读Noarov和Roth在2026年发表的突破性论文，该论文首次给出了确定性的、达到最小最大最优样本复杂度的多重校准算法。此前所有已知达到最优速率的算法都依赖随机化，而本文证明了确定性预测器同样可以达到最优，同时将结果推广到全预测和泛预测等更广泛的框架，为可信机器学习的理论基础做出了关键贡献。
当差分隐私遇上可预测性：一种更精细的隐私保护新框架
本文深入解读Linda Lu和Karthik Sridharan发表的最新研究，提出基于可预测性的隐私（Privacy via Predictability）这一全新框架。与传统差分隐私的最坏假设不同，该框架显式考虑攻击者已掌握的部分数据背景，将隐私泄漏量化为攻击者观察算法输出后对敏感信息预测能力的增量提升。文章系统分析了该方法与差分隐私的异同、技术细节、潜在应用及未来方向。
DeepSWIP：当神经网络遇见反事实推理——用加权模型计数打开因果推断的新大门
DeepSWIP 是面向 DeepProbLog 的单世界反事实推理框架，通过神经物质化技术将神经网络输出转化为离散概率选择，再用加权模型计数实现精确反事实计算。实验验证了其精确性并实现 2.14 倍推理加速，同时提出了 AIPW 去偏估计器解决校准退化问题。
当MoE遇上分布偏移：专家校准如何拯救混合专家模型的可靠性危机
混合专家模型(MoE)在大模型时代大放异彩，但其预测概率的可靠性在数据分布发生变化时严重退化。本文解读Gina Wong等人发表于arXiv的最新研究，揭示了硬路由MoE与软路由MoE在校准机制上的本质差异——专家层面的校准足以保证硬路由模型的整体校准，但对软路由模型则完全失效。研究者提出对抗性重加权方法，在分布偏移下显著改善了准确性与校准性的权衡。
推荐系统迎来范式革新：G2Rec如何用图结构和语义分词重构用户兴趣建模
推荐系统正从排序范式转向生成式范式。G2Rec框架通过全局图建模捕捉分布式用户兴趣原型，结合语义分词将商品编码为离散词元，两者统一在同一表示空间中实现端到端训练。该方法解决了传统图神经网络的局部视角限制和无监督分词缺乏推荐监督的问题，在离线实验和在线部署中均显著超越现有方法，为生成式推荐提供了可扩展的工业级解决方案。
扩散语言模型的推理透明度：DiffusionGemma能否被真正理解？
扩散语言模型DiffusionGemma的推理透明度看似比自回归模型差28.6倍，但通过token瓶颈映射可降至1.1倍。研究还发现了非时序推理、token涂抹等扩散模型独有的推理现象，为新一代语言模型的安全评估奠定基础。
情报动态 8
Coursera - Machine Learning Specialization (Andrew Ng)
Andrew Ng经典机器学习专项课程2024新版，涵盖监督学习、无监督学习和推荐系统。斯坦福出品，免费旁听，ML入门首选。
Free University Berlin — Topics in Stochastic Processes and ML (2026 暑期)
柏林自由大学 2026 暑期课程「随机过程与机器学习专题」的 Jupyter Notebook 教材开源。涵盖随机过程在 ML 中的应用，学术质量高，适合有一定数学基础的学习者免费自学。
Machine-Learning-AI-Library — GitHub 精选免费 AI/ML 资源库
GitHub 上精心整理的机器学习与 AI 学习资源库，汇集免费课程、工具、论文和实践项目，覆盖从入门到进阶的各个层次，适合自学者系统性学习。
Python Math & ML Course — 免费在线课程（含视频）
完全免费的 Python 数学与机器学习在线课程，提供 Jupyter Notebook 教材和 YouTube 视频讲解。由 Metric Academy 提供，涵盖 Python 基础、线性代数、概率统计及 ML 算法实战。
Awesome ML Courses — 免费ML/AI视频课程精选(3000+⭐)
精选免费机器学习和AI课程合集，含斯坦福CS231n(计算机视觉)、Berkeley CS188(AI导论)、DeepMind强化学习、NYU深度学习等顶级课程。
DataTalksClub ML Zoomcamp — 完全免费4个月ML工程师课程
⭐13.2k | 免费4个月ML工程实战课程，涵盖ML基础、回归、分类、神经网络、部署等。含作业、项目和社区支持，2026年秋季班已开放注册。