查看“WikiEdge:ArXiv速递/2025-03-24”的源代码
←
WikiEdge:ArXiv速递/2025-03-24
跳转到导航
跳转到搜索
因为以下原因，您没有权限编辑该页面：
您请求的操作仅限属于该用户组的用户执行：
用户
您可以查看和复制此页面的源代码。
== 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒性|鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面审视最新进展。我们研究了[[单模态]]与[[多模态]]方法、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估了[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays * '''中文标题'''：磁-$ν$实验：利用$^{241}$Pu的$β^-$衰变搜寻重中性轻子 * '''发布日期'''：2025-03-24 05:21:32+00:00 * '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim * '''分类'''：hep-ex, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18350v1 '''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]][[β衰变]][[能谱]]，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNLs]])。通过[[金属磁量热计]]([[MMCs]])测量了总计2亿次[[β衰变]]事件，这是迄今对$^{241}$[[Pu]]获得的最高统计精度。采用原位[[α]][[校准]]测得$^{241}$[[Pu]][[β衰变]]的[[端点能量]]为21.52(2)[[keV]]。通过二次形状修正因子$C(w) = 1 - 1.931w + 0.940w^2$描述了$^{241}$[[Pu]][[第一类禁戒]][[非唯一跃迁]]的[[微分衰变率]]。基于这些高统计量[[能谱]]，我们对10.5[[keV]][[惰性中微子]]与[[电子中微子]]的[[混合强度]]设定上限$|U_{e4}|^2 < 2 \times 10^{-3}$（[[HNL]]质量为10.5[[keV]]时）。 == 摘要 == * '''原文标题'''：Second order fluctuations of conserved charges in external magnetic fields * '''中文标题'''：外磁场中守恒电荷的二阶涨落 * '''发布日期'''：2025-03-24 09:15:12+00:00 * '''作者'''：Heng-Tong Ding, Jin-Biao Gu, Arpith Kumar, Sheng-Tai Li * '''分类'''：hep-lat, hep-ph, nucl-ex, nucl-th *'''原文链接'''：http://arxiv.org/abs/2503.18467v1 '''中文摘要'''：我们采用第一性原理的[[格点QCD]]方法，研究了外[[磁场]]中[[守恒荷]]（[[重子数]]B、[[电荷]]Q和[[奇异数]]S）的二阶涨落及其关联。研究使用改进的[[交错费米子]](HISQ)在$48^3 \times 12$和$32^3 \times 8$格点上对(2+1)味[[QCD]]进行物理[[π介子|π质量]]的模拟，覆盖了高达$eB \simeq 0.8$ GeV$^2$的宽范围[[磁场强度]]。我们发现了磁场对这些涨落和关联的显著影响，其中[[重子]]-[[电荷]]关联$\chi^{\rm BQ}_{11}$对磁场表现出特别强的敏感性。为连接理论预测与实验观测，我们在[[强子共振气体]](HRG)模型中实施了模拟[[STAR实验|STAR]]和[[ALICE实验|ALICE]]实验[[探测器]]接收度的系统[[运动学]]截断，构建了可用于[[重离子碰撞]]实验测量的涨落代理观测量。研究结果凸显$\chi^{\rm BQ}_{11}$作为探测[[QCD物质]]中磁场的潜在"[[磁强计]]"。此外，我们探索了涉及$\chi^{\rm BQ}_{11}$的实验相关比值，证明其可有效抑制[[体积效应]]并增强对碰撞环境中磁场的敏感性。同时评估了[[HRG模型]]在强磁场下的局限性，揭示了暗示[[强子]]自由度非平庸修正的偏差。这些结果为理解[[QCD相图]]中[[热效应]]与[[磁效应]]的相互作用提供了新视角，并为[[重离子碰撞]]中磁场的探测提供了实验相关的指导。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于259天KATRIN数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质]][[粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续（扭结）。这种仅取决于能谱形状而非绝对归一化的特征，为反应堆实验提供了一种稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：Modeling matter(s) in SEOBNRv5THM: Generating fast and accurate effective-one-body waveforms for spin-aligned binary neutron stars * '''中文标题'''：SEOBNRv5THM中的物质建模：为自旋对齐双中子星生成快速精确的有效单体波形 * '''发布日期'''：2025-03-24 17:55:14+00:00 * '''作者'''：Marcus Haberland, Alessandra Buonanno, Jan Steinhoff * '''分类'''：gr-qc *'''原文链接'''：http://arxiv.org/abs/2503.18934v1 '''中文摘要'''：我们推出[[SEOBNRv5THM]]波形模型，这是一种基于[[有效单体理论]]([[EOB]])框架、针对准圆形自旋非进动[[双中子星系统]]([[BNS]])的快速精确[[引力波]]波形模型。该模型在[[双黑洞]]近似模型[[SEOBNRv5HM]]基础上改进，相较于前代[[SEOBNRv4T]]具有以下特性：i) 在旋近阶段整合了最新高阶[[后牛顿]]结果，包括高阶[[绝热潮汐]]项、[[自旋诱导多极矩]]以及自旋对齐中子星的[[动态潮汐效应]]；ii) 涵盖(ℓ,|m|)=(2,2)、(3,3)、(2,1)、(4,4)、(5,5)、(3,2)和(4,3)等[[引力模式]]；iii) 合并时刻校准至BNS[[数值相对论]]([[NR]])模拟数据；iv) 通过创新[[唯象方法]]精确建模合并前(2,2)模式；v) 对于总质量M≥2[[M⊙]]的BNS系统，计算速度较前代提升100至1000倍。因此[[SEOBNRv5THM]]适用于[[贝叶斯参数估计]]，我们已将其应用于[[LIGO-Virgo合作组]]观测到的[[GW170817]]和[[GW190425]]双中子星事件。该模型精确复现了[[BAM]]和[[SACRA]]的NR波形，误差与NR本征不确定度相当或更低。与[[NRTidalv3]]、[[TEOBResumS]]等前沿BNS波形模型对比验证显示，仅在高自旋高形变BNS（缺乏NR数据且模型采用不同自旋方案）情况下存在差异。本模型为后续开发包含[[进动]]、[[轨道偏心]]等效应的[[SEOBNR]]物质波形模型奠定基础，将应用于[[LIGO-Virgo-KAGRA合作组]]未来观测及下一代[[地面探测器]]。 == 摘要 == * '''原文标题'''：The isoscalar octet axial form factor of the nucleon from lattice QCD * '''中文标题'''：核子的同位旋标量八重态轴向形状因子的格点QCD研究 * '''发布日期'''：2025-03-24 16:26:13+00:00 * '''作者'''：Alessandro Barone, Dalibor Djukanovic, Georg von Hippel, Jonna Koponen, Harvey B. Meyer, Konstantin Ottnad, Hartmut Wittig * '''分类'''：hep-lat *'''原文链接'''：http://arxiv.org/abs/2503.18848v1 '''中文摘要'''：[[核子]]的[[同位旋]]标量[[八重态]]轴矢形状因子在理解核子的[[电弱相互作用]]中起关键作用。对于解释[[核子自旋]]结构而言，非单态同位旋标量轴荷不可或缺。此外，$G_A^{u+d-2s}(Q^2)$与同位旋矢量和单态同位旋标量形状因子共同构成了轴矢形状因子的味分解基础。精确的味分解知识有助于从低能实验（如[[P2实验]]中质子电弱电荷测量）提取[[标准模型]]参数。本文通过$N_f=2+1$$\mathcal{O}(a)$改进[[Wilson费米子]]的[[格点计算]]，给出了$G_A^{u+d-2s}(Q^2)$的确定结果，并提供了关于连续极限、无限体积及物理[[夸克质量]]外推与内插的完整误差分析。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们建立了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸环境下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Least-Squares Finite Element Methods for nonlinear problems: A unified framework * '''中文标题'''：非线性问题的最小二乘有限元方法：统一框架 * '''发布日期'''：2025-03-24 14:49:56+00:00 * '''作者'''：Fleurianne Bertrand, Maximilian Brodbeck, Tim Ricken, Henrik Schneider * '''分类'''：math.NA, cs.NA *'''原文链接'''：http://arxiv.org/abs/2503.18739v1 '''中文摘要'''：本文提出了一种统一的[[Least-Squares]]框架，通过将[[控制系统]]重构为[[残差最小化]]问题来求解[[非线性偏微分方程]]。我们构建了[[Least-Squares泛函]]并推导出相应的[[Gauss-Newton迭代方法]]，该方法可同时近似原始变量和[[应力类变量]]。在适当的[[解空间]]中，我们推导了该泛函满足[[强制性]]和[[连续性]]的条件，并建立了[[收敛性]]结果，同时证明该泛函可作为可靠的[[后验误差估计器]]。随后利用这一固有的[[误差估计]]特性驱动[[自适应网格细化]]，应用于多种问题：包括具有[[温度依赖性]]/不连续[[导热系数]]或[[ReLU]]型非线性的稳态[[热方程]]、基于[[Saint Venant-Kirchhoff模型]]的[[非线性弹性]]问题以及[[海冰动力学]]问题。 == 摘要 == * '''原文标题'''：A detailed study on the prospects for a $\mathrm{t\overline{t}}$ threshold scan in $\mathrm{e^+e^-}$ collisions * '''中文标题'''：电子-正电子对撞中$\mathrm{t\overline{t}}$阈值扫描前景的详细研究 * '''发布日期'''：2025-03-24 14:25:36+00:00 * '''作者'''：Matteo M. Defranchis, Jorge de Blas, Ankita Mehta, Michele Selvaggi, Marcel Vos * '''分类'''：hep-ph, hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18713v1 '''中文摘要'''：在[[正负电子对撞机]]（$\mathrm{e^+e^-}$）中进行[[顶夸克]]对（$\mathrm{t\overline{t}}$）产生阈值的[[束流能量扫描]]是未来[[希格斯工厂]]、[[顶夸克工厂]]和[[电弱工厂]]项目的重要组成部分。本文针对未来[[环形对撞机]]（[[FCC-ee]]）的[[电子]]-[[正电子]]阶段，提供了[[顶夸克质量]]（$m_\mathrm{t}$）、[[宽度]]（$\Gamma_\mathrm{t}$）和[[汤川耦合]]（$y_\mathrm{t}$）可达到精度的预测。研究包含对[[参数化]]和[[系统不确定性]]的详细评估，以及对[[点间关联效应]]的严格估算。我们预测当采用[[势减除]]（[[PS]]）方案定义$m_\mathrm{t}$时，其实验精度可分别达到约6.8 [[MeV]]和11.5 MeV。在[[非相对论量子色动力学]]的[[N$^3$LO]]阶，发现缺失[[高阶项]]导致的[[理论不确定性]]对$m_\mathrm{t}$（$\Gamma_\mathrm{t}$）的影响约为35（25）MeV。因此，[[理论精度]]的提升（这是当前活跃的研究领域）是匹配未来$\mathrm{e^+e^-}$对撞机可达到[[实验精度]]的关键。最后，我们探索了通过专门在$\mathrm{t\overline{t}}$产生阈值以上运行来测量FCC-ee中$y_\mathrm{t}$的前景。 == 摘要 == * '''原文标题'''：Formalization of Optimality Conditions for Smooth Constrained Optimization Problems * '''中文标题'''：光滑约束优化问题最优性条件的形式化 * '''发布日期'''：2025-03-24 16:00:59+00:00 * '''作者'''：Chenyi Li, Shengyang Xu, Chumin Sun, Li Zhou, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18821v1 '''中文摘要'''：[[最优性条件]]是[[优化问题]]分析的核心，用于刻画[[局部极小值]]的必要准则。在基于[[类型理论]]的[[证明辅助工具]][[Lean4]]中对最优性条件进行形式化，为[[优化理论]]的严格验证提供了精确、鲁棒且可复用的框架。本文从[[拉格朗日函数]]和[[约束规范]]等基本概念出发，对[[光滑约束优化问题]]的[[一阶最优性条件]]（即[[Karush-Kuhn-Tucker条件|KKT条件]]）进行了形式化。随后通过[[切锥]]形式化了[[几何最优性条件]]，为理解局部极小值提供了新视角。在适当约束规范下，我们建立了切锥与[[线性化可行方向]]之间的关键等价关系。基于这些核心要素，该形式化工作最终通过[[Farkas引理]]的证明推导出KKT条件。此外，本研究还实现了[[对偶问题]]及[[弱对偶性质]]的形式化。 == 摘要 == * '''原文标题'''：Minimax Rate-Optimal Inference for Individualized Quantile Treatment Effects in High-dimensional Models * '''中文标题'''：高维模型中个体化分位数处理效应的极小极大率最优推断 * '''发布日期'''：2025-03-24 10:25:00+00:00 * '''作者'''：Jiachen Sun, Yin Xia * '''分类'''：math.ST, stat.ME, stat.TH *'''原文链接'''：http://arxiv.org/abs/2503.18523v1 '''中文摘要'''：治疗效应的量化在[[政策制定]]和[[生物医药研究]]等广泛领域中具有重要作用。本文研究[[分位数处理效应]](QTE)，同时解决两类异质性：(a)[[个体化异质性]]——捕捉不同个体的差异化处理效应；(b)[[分位数异质性]]——解释[[协变量]]影响如何随[[分位数水平]]变化。我们提出一个精心设计的[[去偏估计量]]来有效捕捉这种[[个体化分位数处理效应]](IQTE)，证明该估计量作为[[分位数水平]]函数弱收敛于[[高斯过程]]，并建立了有效的[[统计推断]]方法（包括[[置信区间]]构建与[[假设检验]]决策规则）。此外，我们确立了这些推断过程的[[极小极大最优性]]框架：推导出[[置信区间]]期望长度的[[极小极大最优速率]]与[[假设检验]]程序检测边界的量级，证明了所提估计量的优越性。通过大量[[模拟实验]]及对[[美国国家健康与营养调查]](NHANES)数据集的分析，验证了方法的有效性。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]形式、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估]]范式。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，以及在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述构建了当前研究的[[结构化分类]]体系，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays * '''中文标题'''：磁-$ν$实验：利用$^{241}$Pu的$β^-$衰变搜寻重中性轻子 * '''发布日期'''：2025-03-24 05:21:32+00:00 * '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim * '''分类'''：hep-ex, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18350v1 '''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]]β[[衰变]][[能谱]]，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNLs]])。通过[[金属磁量热计]]([[MMCs]])测量了总计2亿次β衰变，这是迄今对$^{241}$Pu获得的最高统计精度。采用原位α校准测得$^{241}$Puβ衰变的端点能量为21.52(2)keV。通过二次形状修正因子$C(w)=1-1.931w+0.940w^2$描述了$^{241}$Pu一级禁戒非唯一跃迁的微分衰变率。基于这些高统计量能谱，我们对10.5keV[[惰性中微子]]与[[电子中微子]]的混合强度设定了上限：当HNL质量为10.5keV时，$|U_{e4}|^2 < 2 \times 10^{-3}$。 == 摘要 == * '''原文标题'''：Kinetics and direct imaging of electrochemically formed palladium hydride for efficient hydrogen evolution reaction * '''中文标题'''：电化学形成钯氢化物的动力学与直接成像及其在高效析氢反应中的应用 * '''发布日期'''：2025-03-24 18:11:19+00:00 * '''作者'''：Luca Camuti, Se-Ho Kim, Filip Podjaski, Miquel Vega-Paredes, Andrea M. Mingers, Tolga Acarturk, Ulrich Starke, Bettina V. Lotsch, Christina Scheu, Baptiste Gault, Siyuan Zhang * '''分类'''：physics.chem-ph *'''原文链接'''：http://arxiv.org/abs/2503.19040v1 '''中文摘要'''：[[活性]]和可靠的[[电催化剂]]是[[可再生能源技术]]的基础。[[PdCoO₂]]因其在[[酸性介质]]中形成[[活性]][[PdHₓ相]]，近期被确认为[[氢析出反应]]([[HER]])的理想[[催化剂]][[模板]]。本文通过监测单个[[PdCoO₂]][[颗粒]]在[[HER]]过程中的转变，证实其几乎完全转化为具有[[亚毫米]]级深度且遍布[[裂纹]]的[[PdHₓ相]]。利用[[原位质谱]]技术，我们观察到[[钴]]在[[还原电位]]下的[[溶解]]现象（导致[[PdHₓ]]形成），其溶解分电流仅为[[HER]][[电流]]的0.1%。通过[[二次离子质谱]]和[[氘]][[标记]]的[[重水]]的[[原子探针断层扫描]][[定量分析]]，证实了[[PdHₓ]]的形成。尽管[[样品制备]]过程中采用[[干燥]][[储存]]和[[高真空]][[条件]]，仍测得[[PdHₓ]][[样品]]的[[整体组成]]为[[PdD₀.₂₈]]，并观察到[[α相]]（贫氘）与[[β相]]（富氘）的[[分离]]。[[PdCoO₂]][[颗粒]][[表面]]形成的[[PdHₓ相]]在宽[[电化学]][[电位]][[窗口]]内保持[[稳定]]，直至[[开路电位]]下出现[[钯]][[溶解]]。本研究揭示了[[模板生长法]]对稳定[[PdHₓ相]]的[[关键作用]]，这种[[相态]]能实现高效[[HER]]而无需[[钯]][[催化剂]]常见的缓慢[[活化过程]]，为设计更高效的[[可再生能源]][[电催化剂]]提供了[[新思路]]。 == 摘要 == * '''原文标题'''：Monte Cimone v2: Down the Road of RISC-V High-Performance Computers * '''中文标题'''：蒙特奇莫内v2：探索RISC-V高性能计算机之路 * '''发布日期'''：2025-03-24 10:55:29+00:00 * '''作者'''：Emanuele Venieri, Simone Manoni, Giacomo Madella, Federico Ficarelli, Daniele Gregori, Daniele Cesarini, Luca Benini, Andrea Bartolini * '''分类'''：cs.DC *'''原文链接'''：http://arxiv.org/abs/2503.18543v1 '''中文摘要'''：近年来，许多面向[[高性能计算]]([[HPC]])领域的[[RISC-V]]平台和[[片上系统]]([[SoC]])相继发布，但仅有少数实现商业化并能满足[[HPC]]需求。[[Monte Cimone]]项目旨在评估其能力与成熟度，力图使[[RISC-V]]成为构建[[数据中心]]时的竞争优势选择。当前市场上虽已出现具备[[向量扩展]]、适配[[HPC]]应用的[[外形尺寸]]及[[内存容量]]的[[RV SoC]]，但[[编译器]]和[[开源库]]如何发挥其性能优势尚不明确。本文描述了采用[[Sophgo SG2042]]处理器升级[[Monte Cimone]]集群([[MCv2]])后的[[HPC]]运算性能评估：升级使节点在[[HPL]]双精度[[浮点运算]]性能提升127倍，在[[Stream]]内存带宽测试中提升69倍。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文针对此类问题中的两个关键算法——[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）——建立了[[收敛性分析]]的形式化体系。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的自洽性与[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Least-Squares Finite Element Methods for nonlinear problems: A unified framework * '''中文标题'''：非线性问题的最小二乘有限元方法：统一框架 * '''发布日期'''：2025-03-24 14:49:56+00:00 * '''作者'''：Fleurianne Bertrand, Maximilian Brodbeck, Tim Ricken, Henrik Schneider * '''分类'''：math.NA, cs.NA *'''原文链接'''：http://arxiv.org/abs/2503.18739v1 '''中文摘要'''：本文提出了一种统一的[[Least-Squares]]框架，通过将控制方程组重构为残差最小化问题来求解非线性[[偏微分方程]]。我们构建了[[Least-Squares泛函]]并推导出相应的[[Gauss-Newton迭代方法]]，该方法可同时近似原始变量和应力类变量。我们推导了该泛函在适当解空间中满足强制性和连续性的条件，并建立了[[收敛性]]结果，同时证明该泛函可作为可靠的[[后验误差估计器]]。随后利用这一固有的误差估计特性驱动[[自适应网格细化]]，应用于多种问题：包括具有温度依赖性/不连续导热系数或[[ReLU]]型非线性的稳态[[热方程]]、基于[[Saint Venant-Kirchhoff模型]]的非线性弹性问题以及[[海冰动力学]]问题。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于259天KATRIN数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要设计用于通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续点（扭结）。这种仅取决于能谱形状而非绝对归一化的特征，为反应堆实验提供了一种稳健的互补方法。KATRIN分析了在259个测量日内记录的3600万个氚β衰变电子在端点最后40[[电子伏特]]范围内的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂，排除了[[混合角]]超过几个百分点的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Reliable and Efficient Detection Pipeline for Rodent Ultrasonic Vocalizations * '''中文标题'''：啮齿动物超声波发声的可靠高效检测流程 * '''发布日期'''：2025-03-24 17:50:49+00:00 * '''作者'''：Sabah Shahnoor Anis, Devin M. Kellis, Kris Ford Kaigler, Marlene A. Wilson, Christian O'Reilly * '''分类'''：cs.SD, eess.AS *'''原文链接'''：http://arxiv.org/abs/2503.18928v1 '''中文摘要'''：[[啮齿动物]][[超声波]]发声的高效可靠检测流程分析[[啮齿类动物]]的[[超声波发声]]（USVs）对理解其[[情感状态]]和[[社会行为]]至关重要，但[[人工分析]]耗时且易出错。为解决这些问题，已开发出[[自动化]]USV检测系统，但这些系统通常依赖[[机器学习]]，难以有效泛化至新[[数据集]]。针对这些不足，我们提出[[ContourUSV]]——一种从[[音频记录]]中检测USVs的高效自动化系统。该流程包括[[声谱图]]生成、清洗、[[预处理]]、[[轮廓检测]]、[[后处理]]及基于[[人工标注]]的评估。为确保[[鲁棒性]]和[[可靠性]]，我们使用现有开放[[USV数据集]]（[[USVSEG]]）和随本文公开的新数据集，将ContourUSV与三种前沿系统进行对比。在两个数据集的平均表现中，ContourUSV以1.51倍[[精确度]]、1.17倍[[召回率]]、1.80倍[[F1分数]]和1.49倍[[特异性]]的优势超越其他系统，同时实现平均117.07倍的[[加速]]。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，以及在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的[[实际应用]]。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays * '''中文标题'''：磁-$ν$实验：利用$^{241}$Pu $β^-$衰变搜寻重中性轻子 * '''发布日期'''：2025-03-24 05:21:32+00:00 * '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim * '''分类'''：hep-ex, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18350v1 '''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]][[β衰变]][[能谱]]，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNLs]])。通过[[金属磁量热计]]([[MMCs]])测量了总计2亿次[[β衰变]]，这是迄今对$^{241}$[[Pu]]获得的最高统计精度。采用原位[[α]][[校准]]测得$^{241}$[[Pu]][[β衰变]][[端点能量]]为21.52(2)[[keV]]。通过二次形状修正因子$C(w)=1-1.931w+0.940w^2$描述了$^{241}$[[Pu]][[一级禁戒]][[非唯一跃迁]]的[[微分衰变率]]。基于这些高统计量[[能谱]]，我们对10.5[[keV]][[惰性中微子]]与[[电子中微子]]的[[混合]]设定上限$|U_{e4}|^2<2×10^{-3}$（[[HNL]]质量为10.5[[keV]]）。 == 摘要 == * '''原文标题'''：The isoscalar octet axial form factor of the nucleon from lattice QCD * '''中文标题'''：核子的同位旋标量八重态轴矢形状因子的格点QCD研究 * '''发布日期'''：2025-03-24 16:26:13+00:00 * '''作者'''：Alessandro Barone, Dalibor Djukanovic, Georg von Hippel, Jonna Koponen, Harvey B. Meyer, Konstantin Ottnad, Hartmut Wittig * '''分类'''：hep-lat *'''原文链接'''：http://arxiv.org/abs/2503.18848v1 '''中文摘要'''：[[核子]]的[[同位旋]]标量[[八重态]]轴矢[[形状因子]]在理解核子[[电弱相互作用]]中起关键作用。对于解释核子[[自旋]]结构而言，非单态同位旋标量[[轴荷]]不可或缺。此外，$G_A^{u+d-2s}(Q^2)$与同位旋矢量和单态同位旋标量形状因子共同构成轴矢形状因子的[[味分解]]基础。精确的味分解知识有助于从[[P2实验]]等[[低能实验]]中提取[[标准模型]](SM)参数，例如[[质子]]的电弱荷。本文基于$N_f=2+1$ $\mathcal{O}(a)$改进[[Wilson费米子]]，通过[[格点计算]]确定了$G_A^{u+d-2s}(Q^2)$，并给出了关于[[连续统极限]]外推、[[无限体积]]插值以及物理[[夸克质量]]的完整[[误差分析]]。 == 摘要 == * '''原文标题'''：Kinetics and direct imaging of electrochemically formed palladium hydride for efficient hydrogen evolution reaction * '''中文标题'''：电化学形成钯氢化物的动力学与直接成像及其在高效析氢反应中的应用 * '''发布日期'''：2025-03-24 18:11:19+00:00 * '''作者'''：Luca Camuti, Se-Ho Kim, Filip Podjaski, Miquel Vega-Paredes, Andrea M. Mingers, Tolga Acarturk, Ulrich Starke, Bettina V. Lotsch, Christina Scheu, Baptiste Gault, Siyuan Zhang * '''分类'''：physics.chem-ph *'''原文链接'''：http://arxiv.org/abs/2503.19040v1 '''中文摘要'''：摘要：高效可靠的[[电催化剂]]是[[可再生能源]]技术的基础。[[PdCoO2]]因其在[[酸性介质]]中形成活性[[PdHx]]相，最近被公认为[[氢析出反应]]([[HER]])的理想[[催化剂模板]]。本文通过监测单个[[PdCoO2]]颗粒在[[HER]]过程中的转变，证实其几乎完全转化为具有亚毫米深度[[裂纹]]的[[PdHx]]相。利用[[原位质谱]]技术，我们观察到[[还原电位]]下[[钴]]的溶解会促进[[PdHx]]形成，而溶解分电流仅为[[HER]]电流的0.1%。通过[[二次离子质谱]]和[[氘]]标记[[重水]]的[[原子探针层析]]技术，我们定量证实了[[PdHx]]的形成。尽管样品制备过程处于[[干燥储存]]和[[高真空]]环境，仍测得[[PdHx]]样品整体组成为[[PdD0.28]]，并观察到[[α相]](贫氘)与[[β相]](富氘)的分离。[[PdCoO2]]颗粒上形成的[[PdHx]]相在宽[[电化学电位窗口]]内保持稳定，直至[[开路电位]]下出现[[钯]]溶解。本研究揭示了[[模板生长法]]对稳定[[PdHx]]相的关键作用，这种相能实现高效[[HER]]而无需[[钯催化剂]]常见的缓慢[[活化过程]]，为设计更高效的[[可再生能源]][[电催化剂]]提供了新思路。 == 摘要 == * '''原文标题'''：Monte Cimone v2: Down the Road of RISC-V High-Performance Computers * '''中文标题'''：蒙特奇莫内v2：探索RISC-V高性能计算机之路 * '''发布日期'''：2025-03-24 10:55:29+00:00 * '''作者'''：Emanuele Venieri, Simone Manoni, Giacomo Madella, Federico Ficarelli, Daniele Gregori, Daniele Cesarini, Luca Benini, Andrea Bartolini * '''分类'''：cs.DC *'''原文链接'''：http://arxiv.org/abs/2503.18543v1 '''中文摘要'''：近年来，众多面向[[高性能计算]]([[HPC]])领域的[[RISC-V]]平台和[[片上系统]]([[SoC]])相继发布，但仅有少数产品实现商用化并满足[[HPC]]需求。[[Monte Cimone]]项目旨在评估其能力与成熟度，力图使[[RISC-V]]成为[[数据中心]]建设的竞争优势选择。当前市场上已出现具备[[向量扩展指令集]]、适配[[HPC]]应用的[[外形规格]]与[[内存容量]]的[[RV SoC]]，但[[编译器]]和[[开源库]]如何发挥其性能优势尚不明确。本文通过搭载[[Sophgo SG2042]]处理器的[[Monte Cimone]]([[MCv2]])[[集群]]升级案例，详细评估了[[HPC]]运算性能表现：升级后节点在[[HPL]]双精度浮点运算性能上实现127倍提升，在[[Stream]]内存带宽测试中取得69倍增长。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法的[[收敛性分析]]进行了形式化：[[块坐标下降法]](BCD)和[[交替方向乘子法]](ADMM)。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们建立了一个严谨的框架来形式化表示这些算法。[[非光滑优化]]和[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]](KL)（为分析非凸情形下的收敛性提供了关键工具）。这些定义和性质对相应的[[收敛性分析]]至关重要。我们形式化了这些算法的[[收敛性证明]]，表明我们的定义和结构具有[[一致性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Least-Squares Finite Element Methods for nonlinear problems: A unified framework * '''中文标题'''：非线性问题的最小二乘有限元方法：统一框架 * '''发布日期'''：2025-03-24 14:49:56+00:00 * '''作者'''：Fleurianne Bertrand, Maximilian Brodbeck, Tim Ricken, Henrik Schneider * '''分类'''：math.NA, cs.NA *'''原文链接'''：http://arxiv.org/abs/2503.18739v1 '''中文摘要'''：本文提出了一种统一的[[Least-Squares]]框架，通过将[[控制系统]]重构为[[残差最小化]]问题来求解[[非线性偏微分方程]]。我们构建了[[Least-Squares泛函]]并推导出相应的[[Gauss-Newton迭代方法]]，该方法可同时近似原始变量和[[应力类变量]]。我们推导了该泛函在适当[[解空间]]中满足[[强制性]]和[[连续性]]的条件，并建立了[[收敛性]]结果，同时证明该泛函可作为可靠的[[后验误差估计器]]。随后利用这一固有的[[误差估计]]特性驱动[[自适应网格细化]]，应用于多种问题：包括具有[[温度依赖性]]/[[不连续电导率]]或[[ReLU型非线性]]的稳态[[热方程]]、基于[[Saint Venant-Kirchhoff模型]]的[[非线性弹性力学]]以及[[海冰动力学]]问题。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于KATRIN实验259天数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是[[宇宙]]中最丰富的[[基本粒子|基本物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续（扭结）。这种仅取决于能谱形状而非绝对归一化的特征，为反应堆实验提供了一种稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他[[中微子消失实验]]相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且持续演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，以及在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays * '''中文标题'''：磁-ν实验：利用$^{241}$Pu β衰变搜寻重中性轻子 * '''发布日期'''：2025-03-24 05:21:32+00:00 * '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim * '''分类'''：hep-ex, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18350v1 '''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]][[β衰变]][[能谱]]，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNLs]])。通过[[金属磁量热计]]([[MMCs]])测量了总计2亿次[[β衰变]]，这是迄今对$^{241}$[[Pu]]获得的最高统计精度。采用原位[[α]][[校准]]测得$^{241}$[[Pu]][[β衰变]]的[[端点能量]]为21.52(2)[[keV]]。该核素[[一级禁戒]][[非唯一跃迁]]的[[微分衰变率]]采用二次[[形状修正因子]]$C(w)=1-1.931w+0.940w^2$进行描述。基于这些高统计量[[能谱]]，我们对10.5[[keV]][[惰性中微子]]与[[电子中微子]]的[[混合强度]]设定上限$|U_{e4}|^2<2×10^{-3}$（[[HNL]]质量为10.5[[keV]]时）。 == 摘要 == * '''原文标题'''：Monte Cimone v2: Down the Road of RISC-V High-Performance Computers * '''中文标题'''：蒙特奇莫内v2：探索RISC-V高性能计算机之路 * '''发布日期'''：2025-03-24 10:55:29+00:00 * '''作者'''：Emanuele Venieri, Simone Manoni, Giacomo Madella, Federico Ficarelli, Daniele Gregori, Daniele Cesarini, Luca Benini, Andrea Bartolini * '''分类'''：cs.DC *'''原文链接'''：http://arxiv.org/abs/2503.18543v1 '''中文摘要'''：近年来已有许多面向[[高性能计算]]([[HPC]])领域的[[RISC-V]]平台和[[片上系统]]([[SoC]])发布，但仅有少数实现商业化并能满足HPC需求。[[Monte Cimone]]项目旨在评估其能力与成熟度，力图使RISC-V成为[[数据中心]]建设的竞争优势选择。当前市场上虽已出现具备[[向量扩展指令集]]、适配HPC应用的[[外形规格]]与[[内存容量]]的RISC-V SoC，但[[编译器]]和[[开源库]]如何发挥其性能优势尚不明确。本文阐述了采用[[Sophgo SG2042]]处理器升级Monte Cimone集群([[MCv2]])后的HPC性能评估：升级使节点在[[HPL]]双精度浮点运算性能提升127倍，在[[Stream]]内存带宽测试中提升69倍。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于KATRIN实验259天数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质]][[粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子进行搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续（扭结）。这种仅依赖于能谱形状而非绝对归一化的特征，为反应堆实验提供了一种稳健的互补方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及其发展 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述提供了当前[[研究]]的[[结构化分类]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化定义，特别是将经典[[可微性]]扩展到非光滑情形的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays * '''中文标题'''：磁-$ν$实验：利用$^{241}$Pu $β^-$衰变搜寻重中性轻子 * '''发布日期'''：2025-03-24 05:21:32+00:00 * '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim * '''分类'''：hep-ex, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18350v1 '''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]][[β衰变]][[能谱]]，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNL]])。通过[[金属磁量热计]]([[MMC]])测量了总计2亿次[[β衰变]]事件，这是迄今对$^{241}$[[Pu]]获得的最高统计精度。采用原位[[α]][[校准]]测得$^{241}$[[Pu]][[β衰变]]的[[端点能量]]为21.52(2) [[keV]]。对于$^{241}$[[Pu]][[首次禁戒非唯一跃迁]]的[[微分衰变率]]，采用二次[[形状修正因子]]$C(w) = 1 - 1.931w + 0.940w^2$进行描述。基于这些高统计量[[能谱]]，我们对10.5 [[keV]][[惰性中微子]]与[[电子中微子]]的[[混合强度]]设定上限$|U_{e4}|^2 < 2 \times 10^{-3}$（对应[[HNL]][[质量]]为10.5 [[keV]]）。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于259天KATRIN数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续点（扭结）。这种仅依赖于能谱形状而非绝对归一化的特征，为反应堆实验提供了一种稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂区间，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且持续演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，往往仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]形式、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估]]范式。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：摘要：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文针对此类问题中的两个关键算法——[[块坐标下降法]](BCD)和[[交替方向乘子法]](ADMM)，给出了[[收敛性分析]]的形式化证明。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们建立了严格的形式化框架来表示这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]推广至非光滑情形的[[次微分]]，以及为分析非凸环境下收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]](KL性质)。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays * '''中文标题'''：磁-$ν$实验：利用$^{241}$Pu的$β^-$衰变搜寻重中性轻子 * '''发布日期'''：2025-03-24 05:21:32+00:00 * '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim * '''分类'''：hep-ex, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18350v1 '''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]][[β衰变]]能谱，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNLs]])。通过[[金属磁量热计]]([[MMCs]])测量了总计2亿次[[β衰变]]，这是迄今对$^{241}$[[Pu]]获得的最高统计精度。采用原位[[α粒子|α]]校准测得$^{241}$[[Pu]][[β衰变]]端点能量为21.52(2)[[keV]]。通过二次形状修正因子$C(w)=1-1.931w+0.940w^2$描述了$^{241}$[[Pu]][[第一类禁戒非唯一跃迁]]的[[微分衰变率]]。基于这些高统计量能谱，我们对10.5[[keV]][[惰性中微子]]与[[电子中微子]]的[[混合强度]]设定上限$|U_{e4}|^2 < 2 \times 10^{-3}$（[[HNL]]质量为10.5[[keV]]）。 == 摘要 == * '''原文标题'''：Monte Cimone v2: Down the Road of RISC-V High-Performance Computers * '''中文标题'''：蒙特奇莫内v2：探索RISC-V高性能计算机之路 * '''发布日期'''：2025-03-24 10:55:29+00:00 * '''作者'''：Emanuele Venieri, Simone Manoni, Giacomo Madella, Federico Ficarelli, Daniele Gregori, Daniele Cesarini, Luca Benini, Andrea Bartolini * '''分类'''：cs.DC *'''原文链接'''：http://arxiv.org/abs/2503.18543v1 '''中文摘要'''：近年来，众多面向[[高性能计算]]领域的[[RISC-V]]平台和[[片上系统]]相继发布，但仅有少数产品实现商业化并满足[[HPC]]需求。[[Monte Cimone]]项目旨在评估其能力与成熟度，推动[[RISC-V]]成为[[数据中心]]建设的竞争优势选择。当前市场上虽已出现具备[[向量扩展]]、适配[[HPC]]应用的[[外形规格]]与[[内存容量]]的[[RV]]片上系统，但[[编译器]]和[[开源库]]如何发挥其性能优势尚不明确。本文通过搭载[[Sophgo SG2042]]处理器的[[Monte Cimone]]（[[MCv2]]）[[集群]]升级案例，量化其[[HPC]]运算性能表现：升级后节点在[[HPL]]双精度[[浮点运算]]性能提升127倍，[[Stream]]内存带宽提升69倍。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。我们深入探讨[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同方法和平台视角的[[洞见]]，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文针对此类问题中的两个关键算法——[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）——给出了[[收敛性分析]]的形式化证明。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应[[收敛性分析]]至关重要。我们形式化证明了算法的[[收敛性]]，验证了所提定义与结构的[[自洽性]]与[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于KATRIN实验259天数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续点（扭结）。这种仅依赖能谱形状而非绝对归一化的特征，为反应堆实验提供了稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分[[参数空间]]，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验共同覆盖了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子[[质量分裂]]范围，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays * '''中文标题'''：磁-$ν$实验：利用$^{241}$Pu的$β^-$衰变搜寻重中性轻子 * '''发布日期'''：2025-03-24 05:21:32+00:00 * '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim * '''分类'''：hep-ex, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18350v1 '''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]] [[β衰变]]能谱，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNLs]])。通过[[金属磁量热计]]([[MMCs]])测量了总计2亿次[[β衰变]]事件，这是迄今对$^{241}$[[Pu]]获得的最高统计精度。采用原位[[α粒子|α]]校准测得$^{241}$[[Pu]] [[β衰变]]的端点能量为21.52(2) [[keV]]。通过二次形状修正因子$C(w) = 1 - 1.931w + 0.940w^2$描述了$^{241}$[[Pu]] [[第一类禁戒非唯一跃迁]]的微分衰变率。基于这些高统计量能谱，我们对10.5 [[keV]] [[惰性中微子]]与[[电子中微子]]的混合强度设定了上限：当[[HNL]]质量为10.5 [[keV]]时，$|U_{e4}|^2 < 2 \times 10^{-3}$。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒性|鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且持续演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态]]方法、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：摘要：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文针对此类问题中的两个关键算法——[[块坐标下降法]](BCD)和[[交替方向乘子法]](ADMM)，给出了[[收敛性分析]]的形式化证明。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们建立了严格的形式化框架来表示这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]推广至非光滑情形的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]](KL性质)。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于259天KATRIN数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜寻。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续点（扭结）。这种仅依赖于能谱形状而非绝对归一化的特征，为反应堆实验提供了一种稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂区间，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：Magneto-$ν$: Heavy neutral lepton search using $^{241}$Pu $β^-$ decays * '''中文标题'''：磁-$ν$实验：利用$^{241}$Pu $β^-$衰变搜寻重中性轻子 * '''发布日期'''：2025-03-24 05:21:32+00:00 * '''作者'''：C. Lee, X. Zhang, A. Kavner, T. Parsons-Davis, D. Lee, S. T. P. Boyd, M. Loidl, X. Mougeot, M. Rodrigues, M. K. Lee, J. Song, R. Wood, I. Jovanovic, G. B. Kim * '''分类'''：hep-ex, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18350v1 '''中文摘要'''：我们展示了作为[[Magneto-ν实验]]组成部分的$^{241}$[[Pu]][[β衰变]][[能谱]]，该实验旨在搜寻[[keV]]量级[[重中性轻子]]([[HNLs]])。通过[[金属磁量热计]]([[MMCs]])测量了总计2亿次[[β衰变]]事件，这是迄今对$^{241}$[[Pu]]获得的最高统计精度。采用[[原位α校准]]测得$^{241}$[[Pu]][[β衰变]]的[[端点能量]]为21.52(2)[[keV]]。对于$^{241}$[[Pu]]首次[[禁戒非唯一跃迁]]的[[微分衰变率]]，采用[[二次形状修正因子]]$C(w)=1-1.931w+0.940w^2$进行描述。基于这些高统计量[[能谱]]，我们在[[HNL]]质量为10.5[[keV]]时，对10.5[[keV]][[惰性中微子]]与[[电子中微子]]的[[混合强度]]设定了上限$|U_{e4}|^2 < 2 \times 10^{-3}$。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态]]方法、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，以及在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[乘子交替方向法]]（ADMM）。基于[[类型理论]]的[[证明辅助工具]][[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑]]与[[非凸优化]]中的核心概念被形式化，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸环境下收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于259天KATRIN数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续点（[[扭结]]）。这种仅依赖于能谱形状而非绝对[[归一化]]的特征，为反应堆实验提供了一种稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分[[参数空间]]，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子[[质量分裂]]区间，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述提供了当前研究的[[结构化分类]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构问题]]是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒性|鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究]]难题。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展。我们研究了[[单模态]]与[[多模态]]方法、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习]]架构的[[方法]]演进。此外，我们批判性评估了[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估]]框架。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台]]视角的见解，本综述建立了当前研究的[[结构化分类]]体系，指出现有不足，并为开发适应[[用户需求]]的[[推荐系统]]提出了未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构问题]]是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展至非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面审视最新进展。我们研究[[单模态]]与[[多模态]]方法、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述构建了当前[[研究]]的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法的形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且持续演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态]]方法、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。我们的分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[乘子交替方向法]]（ADMM）。基于[[类型理论]]的[[证明辅助工具]][[Lean4]]，我们建立了一个严谨的框架来形式化表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸情形下的收敛性提供关键工具）。这些定义与性质对相应的[[收敛性分析]]至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的[[洞见]]，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。对[[非光滑]]与[[非凸优化]]中的核心概念进行了形式化定义，特别是将经典[[可微性]]扩展到非光滑场景的[[次微分]]，以及为分析非凸环境下收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的[[收敛性分析]]至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展。我们研究了[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估了[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述建立了当前研究的[[结构化分类体系]]，指出未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出了[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类]]，指出未解决的空白，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且持续演进的[[研究难题]]。该领域现有[[综述]]在[[覆盖范围]]和[[时效性]]上存在局限，往往仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态]]方法、不同[[问题表述]]形式、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估]]范式。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前[[研究]]的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]拓展至非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐技术综述：从传统方法到深度学习及其前沿 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行了[[系统性分析]]，从多维度全面审视最新进展：我们探究了[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；同时批判性评估了[[性能评估范式]]，包括[[量化指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现了更优的[[推荐准确性]]。研究还深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出了[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。[[非光滑]]与[[非凸优化]]中的核心概念被形式化定义，特别是将经典[[可微性]]拓展至非光滑场景的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应[[收敛性分析]]至关重要。我们形式化证明了这些算法的[[收敛性]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来趋势 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究了[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估了[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述建立了当前研究的[[结构化分类]]体系，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们建立了一个严谨的框架来形式化表示这些算法。[[非光滑]]与[[非凸优化]]中的核心概念被形式化定义，特别是将经典[[可微性]]扩展到非光滑场景的[[次微分]]，以及为分析非凸环境收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Monte Cimone v2: Down the Road of RISC-V High-Performance Computers * '''中文标题'''：蒙特奇莫内v2：RISC-V高性能计算机的发展之路 * '''发布日期'''：2025-03-24 10:55:29+00:00 * '''作者'''：Emanuele Venieri, Simone Manoni, Giacomo Madella, Federico Ficarelli, Daniele Gregori, Daniele Cesarini, Luca Benini, Andrea Bartolini * '''分类'''：cs.DC *'''原文链接'''：http://arxiv.org/abs/2503.18543v1 '''中文摘要'''：近年来，许多面向[[高性能计算]]领域的[[RISC-V]]平台和[[片上系统]]相继发布，但仅有少数产品实现商用化并满足[[HPC]]需求。[[Monte Cimone]]项目旨在评估其能力与成熟度，力图使[[RISC-V]]成为[[数据中心]]建设的竞争优势选择。当前市场上虽已出现具备[[向量扩展]]、适配[[HPC]]应用的[[外形规格]]及[[内存容量]]的[[RV]]片上系统，但[[编译器]]和[[开源库]]如何发挥其性能优势尚不明确。本文通过搭载[[Sophgo SG2042]]处理器的[[Monte Cimone]]（[[MCv2]]）[[集群]]升级案例，量化评估了[[HPC]]运算性能：升级后节点在[[HPL]]双精度浮点运算性能上实现127倍提升，在[[Stream]]内存带宽测试中达到69倍增益。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展。我们研究了[[单模态]]与[[多模态方法]]、[[多样化问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估了[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述建立了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：摘要：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Monte Cimone v2: Down the Road of RISC-V High-Performance Computers * '''中文标题'''：蒙特奇莫内v2：探索RISC-V高性能计算机之路 * '''发布日期'''：2025-03-24 10:55:29+00:00 * '''作者'''：Emanuele Venieri, Simone Manoni, Giacomo Madella, Federico Ficarelli, Daniele Gregori, Daniele Cesarini, Luca Benini, Andrea Bartolini * '''分类'''：cs.DC *'''原文链接'''：http://arxiv.org/abs/2503.18543v1 '''中文摘要'''：近年来已有许多面向[[高性能计算]]([[HPC]])领域的[[RISC-V]]平台和[[片上系统]]([[SoC]])发布，但仅有少数实现商业化并能满足[[HPC]]需求。[[Monte Cimone]]项目旨在评估其能力与成熟度，力图使[[RISC-V]]成为[[数据中心]]建设的竞争优势选择。当前市场上虽已出现具备[[向量扩展指令集]]、适配[[HPC]]应用的[[外形尺寸]]与[[内存容量]]的[[RV SoC]]，但[[编译器]]和[[开源库]]如何发挥其性能优势尚不明确。本文阐述了采用[[Sophgo SG2042]]处理器升级[[Monte Cimone]]集群([[MCv2]])后的[[HPC]]运算性能评估：升级使节点在[[HPL]]双精度浮点运算性能提升127倍，[[Stream]]内存带宽提升69倍。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，往往仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究了[[单模态]]与[[多模态]]方法、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估了[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现了更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，我们结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述建立了当前研究的[[结构化分类体系]]，指出现有不足，并为开发适应[[用户需求]]的[[推荐系统]]提出了未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在该场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：社交媒体平台上[[用户生成内容]]的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态]]方法、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估]]范式。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述建立了当前研究的[[结构化分类体系]]，指明未解决的[[研究缺口]]，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[乘子交替方向法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们建立了一个严谨的框架来形式化表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸情形下的收敛性提供关键工具）。这些定义与性质对相应的[[收敛性分析]]至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类]]，指明未解决的空白领域，并为开发适应用户需求的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们建立了一个严谨的框架来形式化表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。我们深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法]]和[[平台]]视角的[[见解]]，本[[综述]]构建了当前[[研究]]的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来展望 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且持续演进的[[研究难题]]。该领域现有[[综述]]在[[覆盖范围]]和[[时效性]]上存在局限，往往仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视[[最新进展]]。我们研究了[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估了[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述构建了当前[[研究]]的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过综合不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面审视最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应用户需求的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来展望 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且健壮的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过综合不同[[方法论]]和[[平台]]视角的见解，本综述提供了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法]]和[[平台]]视角的[[见解]]，本综述提供了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑场景的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛证明]]，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于259天KATRIN数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要设计用于通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜寻。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续点（扭结）。这种仅依赖于能谱形状而非绝对归一化的特征，为反应堆实验提供了一种稳健的互补研究方法。KATRIN分析了在259个测量日内记录的3600万个氚β衰变电子在端点最后40[[电子伏特]]范围内的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。我们的分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述建立了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们建立了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸情形下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于KATRIN实验259天数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子进行搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续点（扭结）。这种仅依赖于能谱形状而非绝对归一化的特征，为反应堆实验提供了稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法]]和[[平台]]视角的[[见解]]，本综述提供了当前[[研究]]的[[结构化分类法]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]发展的核心。本文对这类问题中两种关键算法的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的[[证明辅助工具]][[Lean4]]，我们建立了一个严谨的框架来形式化表示这些算法。[[非光滑]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸情形下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于259天KATRIN数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质]][[粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续点（扭结）。这种仅依赖于能谱形状而非绝对归一化的特征，为反应堆实验提供了一种稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]所暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出了挑战。与其他中微子消失实验相结合，KATRIN探测了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且持续演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态]]方法、多样化[[问题建模]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]发展的核心。本文对两种关键算法的收敛性分析进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的[[收敛性分析]]至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于KATRIN实验259天数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质]][[粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]相互作用。[[KATRIN实验]]主要设计用于通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续（扭结）。这种仅依赖于能谱形状而非绝对归一化的特征，为反应堆实验提供了稳健的互补研究方法。KATRIN分析了在[[终点能量]]最后40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出挑战。与其他中微子消失实验共同覆盖了从几分之一电子伏特平方到数百电子伏特平方的惰性-活性中微子质量分裂范围，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动场景]]、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的空白领域，并为开发适应用户需求的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应[[收敛性分析]]至关重要。我们形式化证明了这些算法的[[收敛性]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且健壮的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类法]]，指出未解决的空白，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态]]方法、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，该模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]发展的核心。本文对两种关键算法的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的[[证明辅助工具]][[Lean4]]，我们建立了一个严谨的框架来形式化表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸情形下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来展望 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：社交媒体平台上[[用户生成内容]]的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态]]方法、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估]]范式。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述建立了当前研究的[[结构化分类体系]]，指明未解难题，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑场景的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应[[收敛性分析]]至关重要。我们形式化证明了算法的[[收敛性]]，验证了定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，我们结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述提供了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑场景的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法]]和[[平台]]视角的[[见解]]，本[[综述]]构建了当前[[研究]]的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。[[非光滑]]与[[非凸优化]]中的核心概念被形式化，特别是将经典[[可微性]]拓展至非光滑场景的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来展望 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述构建了当前研究的[[结构化分类体系]]，指明未解难题，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动场景]]、[[多义性]]和[[模型可解释性]]等关键挑战，我们结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构的优化算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是将经典[[可微性]]拓展至非光滑场景的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的[[收敛性分析]]至关重要。我们形式化了这些算法的[[收敛证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：社交媒体平台上用户生成内容的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且鲁棒的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行系统性分析，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估[[性能评估]]范式，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的范式转变，这些模型利用[[上下文]]和[[语义特征]]实现更优的推荐准确性。我们深入探讨[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类]]，指明未解决的空白领域，并为开发适应用户需求的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且健壮的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]形式、[[过滤策略]]，以及从传统[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面审视最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Sterile-neutrino search based on 259 days of KATRIN data * '''中文标题'''：基于259天KATRIN数据的惰性中微子搜寻 * '''发布日期'''：2025-03-24 13:33:00+00:00 * '''作者'''：Himal Acharya, Max Aker, Dominic Batzler, Armen Beglarian, Justus Beisenkötter, Matteo Biassoni, Benedikt Bieringer, Yanina Biondi, Matthias Böttcher, Beate Bornschein, Lutz Bornschein, Marco Carminati, Auttakit Chatrabhuti, Suren Chilingaryan, Deseada Díaz Barrero, Byron A. Daniel, Martin Descher, Otokar Dragoun, Guido Drexlin, Frank Edzards, Klaus Eitel, Enrico Ellinger, Ralph Engel, Sanshiro Enomoto, Luca Fallböhmer, Arne Felden, Caroline Fengler, Carlo Fiorini, Joseph A. Formaggio, Christian Forstner, Florian M. Fränkle, Giulio Gagliardi, Kevin Gauda, Andrew S. Gavin, Woosik Gil, Ferenc Glück, Robin Grössle, Thomas Höhn, Khushbakht Habib, Volker Hannen, Leonard Haßelmann, Klaus Helbing, Hanna Henke, Svenja Heyns, Roman Hiller, David Hillesheimer, Dominic Hinz, Alexander Jansen, Christoph Köhler, Khanchai Khosonthongkee, Joshua Kohpeiß, Leonard Köllenberger, Andreas Kopmann, Neven Kovač, Luisa La Cascio, Leo Laschinger, Thierry Lasserre, Joscha Lauer, Thanh-Long Le, Ondřej Lebeda, Bjoern Lehnert, Alexey Lokhov, Moritz Machatschek, Alexander Marsteller, Eric L. Martin, Kirsten McMichael, Christin Melzer, Lukas Erik Mettler, Susanne Mertens, Shailaja Mohanty, Jalal Mostafa, Immanuel Müller, Andrea Nava, Holger Neumann, Simon Niemes, Irene Nutini, Anthony Onillon, Diana S. Parno, Maura Pavan, Udomsilp Pinsook, Jan Plößner, Alan W. P. Poon, Jose Manuel Lopez Poyato, Florian Priester, Jan Ráliš, Marco Röllig, Shivani Ramachandran, R G. Hamish Robertson, Caroline Rodenbeck, Rudolf Sack, Alejandro Saenz, Richard Salomon, Jannis Schürmann, Peter Schäfer, Ann-Kathrin Schütz, Magnus Schlösser, Lisa Schlüter, Sonja Schneidewind, Ulrich Schnurr, Alessandro Schwemmer, Adrian Schwenck, Michal Šefčík, Jakkapat Seeyangnok, Daniel Siegmann, Frank Simon, Julanan Songwadhana, Felix Spanier, Daniela Spreng, Warintorn Sreethawong, Markus Steidl, Jaroslav Štorek, Xaver Stribl, Michael Sturm, Narumon Suwonjandee, Nicholas Tan Jerome, Helmut H. H. Telle, Thomas Thümmler, Larisa A. Thorne, Nikita Titov, Igor Tkachev, Kerstin Trost, Korbinian Urban, Drahoš Vénos, Kathrin Valerius, Sascha Wüstling, Christian Weinheimer, Stefan Welte, Jürgen Wendel, Christoph Wiesinger, John F. Wilkerson, Joachim Wolf, Johanna Wydra, Weiran Xu, Sergey Zadorozhny, Genrich Zeller * '''分类'''：hep-ex *'''原文链接'''：http://arxiv.org/abs/2503.18667v1 '''中文摘要'''：[[中微子]]是宇宙中最丰富的基本[[物质粒子]]，在[[粒子物理学]]和[[宇宙学]]中起着关键作用。约25年前发现的[[中微子振荡]]现象表明，已知的三种中微子会相互混合。[[反应堆]]和[[放射源]]实验的异常结果暗示可能存在第四种中微子态——[[惰性中微子]]，它不通过[[弱力]]发生相互作用。[[KATRIN实验]]主要通过[[氚]][[β衰变]]测量中微子质量，同时也针对这些异常现象所暗示的惰性中微子展开搜索。惰性中微子信号会表现为β衰变[[能谱]]的畸变，其特征是与惰性中微子质量相关的[[曲率]]不连续（扭结）。该特征仅取决于能谱形状而非绝对归一化，为反应堆实验提供了稳健的互补研究方法。KATRIN分析了在末态40[[电子伏特]]范围内、259个测量日记录的3600万次氚β衰变电子的能谱。结果排除了[[镓异常]]暗示的大部分参数空间，并对[[Neutrino-4]]的声称提出质疑。与其他中微子消失实验共同覆盖了从几分之一到数百电子伏特平方的惰性-活性质量分裂区间，排除了[[混合角]]超过百分之几的轻惰性中微子。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法——[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）——的收敛性分析进行了形式化。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。重点形式化了非光滑与非凸优化中的核心概念：[[次微分]]（将经典可微性拓展至非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应收敛性分析至关重要。我们形式化证明了算法的收敛性，验证了定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义优化算法的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来趋势 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，以及在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文针对此类问题中两个关键算法——[[块坐标下降法]]（BCD）和[[乘子交替方向法]]（ADMM）——的[[收敛性分析]]进行了形式化。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念：将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应[[收敛性分析]]至关重要。我们形式化证明了算法的[[收敛性]]，验证了定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、[[多样化问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。我们深入探讨[[数据稀疏性]]、[[冷启动场景]]、[[一词多义]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的收敛性证明，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、[[多样化问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动场景]]、[[多义性]]和[[模型可解释性]]等关键挑战，我们结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。[[非光滑]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了算法的[[收敛性证明]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，该模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同方法和平台视角的[[洞见]]，本综述构建了当前研究的[[结构化分类体系]]，指明未解难题，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化定义，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且鲁棒的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。我们深入探讨[[数据稀疏性]]、[[冷启动场景]]、[[多义性]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法]]和[[平台]]视角的[[见解]]，本[[综述]]提供了当前[[研究]]的[[结构化分类]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。通过基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态]]方法、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述建立了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的空白领域，并为开发适应用户需求的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑场景的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，并阐述了在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文针对此类问题中两个关键算法——[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）——的[[收敛性分析]]进行了形式化。基于[[类型理论]]的[[证明辅助工具]][[Lean4]]，我们构建了严格的形式化框架来表示这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念：将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应收敛性分析至关重要。我们形式化证明了算法的收敛性，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且健壮的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构]]问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[乘子交替方向法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表示这些算法。[[非光滑优化]]与[[非凸优化]]中的核心概念被形式化，特别是[[次微分]]（将经典[[可微性]]扩展到非光滑情形）和[[Kurdyka-Lojasiewicz性质]]（KL性质）（为分析非凸场景下的收敛性提供关键工具）。这些定义与性质对相应的收敛性分析至关重要。我们形式化了这些算法的[[收敛性证明]]，验证了所提定义与结构的自洽性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，以及在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸场景收敛性提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应[[收敛性分析]]至关重要。我们形式化证明了这些算法的收敛性，验证了所提定义与结构体系的协调性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在[[覆盖范围]]和[[时效性]]上存在局限，往往仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展：研究[[单模态]]与[[多模态方法]]、[[多样化问题表述]]、[[过滤策略]]，以及从传统[[频率模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，以及在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解难题，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：[[块结构问题]]是[[数值优化]]和[[机器学习]]领域发展的核心。本文针对此类问题中的两个关键算法——[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）——进行了[[收敛性分析]]的形式化工作。基于[[类型理论]]的[[证明辅助工具]][[Lean4]]，我们构建了严格的形式化框架来表示这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念：将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应收敛性分析具有决定性作用。我们完成了算法[[收敛证明]]的形式化，验证了所提定义与结构的一致性和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的收敛性奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：社交媒体平台上用户生成内容的指数级增长给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态]]方法、[[多样化问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的方法演进；批判性评估包含[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，该模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解难题，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文对两种关键算法在此类场景下的[[收敛性分析]]进行了形式化：[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑场景的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应的[[收敛性分析]]至关重要。我们形式化证明了这些算法的[[收敛性]]，验证了所提定义与结构的[[自洽性]]和[[鲁棒性]]。这些形式化工作为分析更广义[[优化算法]]的[[收敛性]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的洞见，本综述提供了当前研究的[[结构化分类法]]，指明未解决的空白领域，并为开发适应用户需求的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：Formalization of Algorithms for Optimization with Block Structures * '''中文标题'''：具有块结构优化的算法形式化 * '''发布日期'''：2025-03-24 15:49:32+00:00 * '''作者'''：Chenyi Li, Zichen Wang, Yifan Bai, Yunxi Duan, Yuqing Gao, Pengfei Hao, Zaiwen Wen * '''分类'''：math.OC, G.1.6 *'''原文链接'''：http://arxiv.org/abs/2503.18806v1 '''中文摘要'''：块结构问题是[[数值优化]]和[[机器学习]]领域发展的核心。本文针对此类问题中两个关键算法——[[块坐标下降法]]（BCD）和[[交替方向乘子法]]（ADMM）——建立了[[收敛性分析]]的形式化体系。基于[[类型理论]]的证明辅助工具[[Lean4]]，我们构建了严格的形式化框架来表征这些算法。重点形式化了[[非光滑优化]]与[[非凸优化]]中的核心概念，特别是将经典[[可微性]]拓展至非光滑情形的[[次微分]]，以及为分析非凸收敛提供关键工具的[[Kurdyka-Lojasiewicz性质]]（KL性质）。这些定义与性质对相应[[收敛性分析]]至关重要。我们完成了[[算法收敛]]证明的形式化，验证了所提定义与结构的[[自洽性]]与[[鲁棒性]]。这些形式化工作为更广泛[[优化算法]]的[[收敛性分析]]奠定了基础。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究了[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估了[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，我们结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用展开深入探讨。通过整合来自不同方法和平台视角的[[洞见]]，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的空白领域，并为开发适应用户需求的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]具有关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面审视最新进展：研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]；批判性评估包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]在内的[[性能评估范式]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型通过利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。研究深入探讨了[[数据稀疏性]]、[[冷启动]]场景、[[一词多义]]和[[模型可解释性]]等关键挑战，以及在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法论]]和[[平台视角]]的洞见，本综述构建了当前研究的[[结构化分类体系]]，指明未解决的空白领域，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率模型]]到先进[[深度学习架构]]的方法演进。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。我们深入探讨[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类法]]，指出未解决的空白，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同方法和平台视角的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的空白领域，并为开发适应用户需求的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]对提升[[内容可见性]]和[[用户参与度]]起着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、[[多样化问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。我们深入探讨了[[数据稀疏性]]、[[冷启动场景]]、[[多义性]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同[[方法]]和[[平台]]视角的[[洞见]]，本[[综述]]提供了当前[[研究]]的[[结构化分类]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一个复杂且不断演进的[[研究难题]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为弥补这一不足，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、不同[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这类模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。我们深入探讨[[数据稀疏性]]、[[冷启动场景]]、[[多义性]]和[[模型可解释性]]等关键挑战，及其在[[推文分类]]、[[情感分析]]和[[内容流行度预测]]中的实际应用。通过整合来自不同方法和平台视角的洞见，本综述提供了当前研究的[[结构化分类体系]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出未来方向。 == 摘要 == * '''原文标题'''：A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond * '''中文标题'''：标签推荐全面综述：从传统方法到深度学习及未来方向 * '''发布日期'''：2025-03-24 13:40:36+00:00 * '''作者'''：Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar * '''分类'''：cs.IR *'''原文链接'''：http://arxiv.org/abs/2503.18669v1 '''中文摘要'''：[[社交媒体平台]]上[[用户生成内容]]的[[指数级增长]]给[[信息管理]]带来了重大挑战，尤其在[[内容组织]]、[[检索]]和[[发现]]方面。作为基础[[分类机制]]，[[话题标签]]在提升[[内容可见性]]和[[用户参与度]]方面发挥着关键作用。然而，开发准确且[[鲁棒]]的[[话题标签推荐系统]]仍是一项复杂且不断演进的[[研究挑战]]。该领域现有[[综述]]在范围和[[时效性]]上存在局限，仅聚焦特定[[平台]]、[[方法]]或[[时间段]]。为填补这一空白，本文对[[话题标签推荐系统]]进行[[系统性分析]]，从多维度全面考察最新进展。我们研究[[单模态]]与[[多模态方法]]、多样化[[问题表述]]、[[过滤策略]]，以及从传统基于[[频率]]的[[模型]]到先进[[深度学习架构]]的[[方法演进]]。此外，我们批判性评估[[性能评估范式]]，包括[[定量指标]]、[[定性分析]]和[[混合评估框架]]。分析揭示了向基于[[Transformer]]的[[深度学习模型]]的[[范式转变]]，这些模型利用[[上下文]]和[[语义特征]]实现更优的[[推荐准确性]]。针对[[数据稀疏性]]、[[冷启动]]场景、[[多义性]]和[[模型可解释性]]等关键挑战，结合[[推文分类]]、[[情感分析]]和[[内容流行度预测]]等实际应用进行了深入探讨。通过整合来自不同[[方法论]]和[[平台视角]]的见解，本综述提供了当前研究的[[结构化分类法]]，指明未解决的[[空白领域]]，并为开发适应[[用户需求]]的[[推荐系统]]提出[[未来方向]]。
返回
WikiEdge:ArXiv速递/2025-03-24
。
导航菜单
个人工具
创建账号
登录
命名空间
项目页面
讨论
不转换
不转换
简体
繁體
大陆简体
香港繁體
澳門繁體
大马简体
新加坡简体
臺灣正體
查看
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
MediaWiki帮助
工具
链入页面
相关更改
特殊页面
页面信息