LWCal：面向含噪标签表格分类器的损失加权概率校准方法
传统事后概率校准通常假设留出校准集标签完全干净，但在实际落地场景中，校准标签往往受弱标注或启发式规则影响而存在噪声。为此，研究人员针对表格分类器提出了一种名为LWCal的轻量级事后校准器。该方法仅依赖CPU运行，通过降低与基模型留出预测概率相矛盾的含噪样本权重，在无需干净验证集的情况下完成有效校准，解决了弱监督或含噪环境下的概率可靠性问题。
DC AI 热点
精选
当前热点完整榜单 →
1Black Forest Labs 推出开源具身智能模型 FLUX 3 Action76 热度 ⌁2谷歌云 API Gateway 支持 MCP：将 REST API 原生转化为 AI Agent 工具75 热度 ⌁3Sakana AI聘请AI先驱Jürgen Schmidhuber担任首席科学顾问75 热度 ⌁4谷歌、OpenAI与Anthropic拟联合组建AI安全标准自律组织SAFA74 热度 ⌁5Agent Plugins 1.0.0 发布：科技巨头联手推跨平台 Agent 技能与 MCP 打包规范73 热度 ⌁9月24日2026-09-24
弱监督量子误差缓解方法
监督式量子误差缓解通常需要理想输出来学习映射关系，但生成无噪声模拟的计算成本随系统规模呈指数级增长，导致其在大规模场景下无法适用。本研究提出一种弱监督量子误差缓解方案，探索利用电路结构和硬件校准中成本较低、单独不可靠的启发式信号来替代真实的理想标签。研究团队整合了包含稳定器、奇偶校验约束、弛豫及读出特性在内的16种启发式标注函数，用于构建有效的误差缓解模型。