Fri, 27 Feb 2026 (showing first 50 of 206 entries )
[1] arXiv:2602.23352 [pdf, html, other]
Stark localization of interacting particles
Wojciech De Roeck, Amirali Hannani, Alessio Lerose, Nathan Vandenbosch
Subjects: Mathematical Physics (math-ph); Disordered Systems and Neural Networks (cond-mat.dis-nn)
[2] arXiv:2602.23350 [pdf, html, other]
A strengthening of the dimensional Brunn-Minkowski conjecture implies the (B)-Conjecture
Sotiris Armeniakos, Jacopo Ulivelli
Comments: Comments are welcome!
Subjects: Functional Analysis (math.FA); Metric Geometry (math.MG)
[3] arXiv:2602.23343 [pdf, html, other]
Cyclic sieving for a class of rectangular domino tableaux
Laura Colmenarejo, Bridget Eileen Tenner, Camryn E. Thompson
Comments: 17 pages
Subjects: Combinatorics (math.CO)
[4] arXiv:2602.23340 [pdf, html, other]
Combinatorial Properties of the Raisonnier Filter
Spyridon Dialiatsis, Yurii Khomskii
Subjects: Logic (math.LO)
[5] arXiv:2602.23326 [pdf, html, other]
Spin Glass Concepts in Computer Science, Statistics, and Learning
Andrea Montanari
Comments: 33 pages; 2 pdf figures
Subjects: Probability (math.PR); Disordered Systems and Neural Networks (cond-mat.dis-nn)
[6] arXiv:2602.23325 [pdf, html, other]
Spanning tight components in 4-uniform hypergraphs
Francesco Di Braccio, Brian Hearn, Joanna Lada, Mihir Neve, Lu-Ming Zhang
Comments: 24 pages, 4 figures
Subjects: Combinatorics (math.CO)
[7] arXiv:2602.23323 [pdf, html, other]
Modeling Large-Scale Adversarial Swarm Engagements using Optimal Control
Claire Walton, Isaac Kaminer, Qi Gong, Abram H. Clark, Theodoros Tsatsanifos
Comments: arXiv admin note: substantial text overlap with arXiv:2108.02311. substantial text overlap with arXiv:2108.02311
Subjects: Optimization and Control (math.OC)

@Machine_learn

با عرض سلام
دوستان اوضاع اصلا جالب نیست و کلا اینترنت نداریم. امیدوارم حالتون خوب باشه و اوضاع بهتر بشه.

🖤

🔥 Awesome open-source project to learn more about Transformer Models! 🤖✨

We found this interactive website that shows you visually how transformer models work. 🌐📊

Transformer Explainer:
https://poloclub.github.io/transformer-explainer/

@Machine_learn

Follow the Machine Learning with Python channel on WhatsApp: https://whatsapp.com/channel/0029VaC7Weq29753hpcggW2A

با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲، ۴ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن
Price
2: 300$
4: 200$
5:150$
@Raminmousa
@Paper4money
@Machine_learn

تنها ۳ روز تا سابمیت این مقاله باقی مونده....!

با عرض سلام مقاله MedicalRec توسط بنده و دوستان ارائه شد. این مقاله جهت ارائه ی سیستم پیشنهاد دهنده مدل طبقه بندی برای تصاویر پزشکی میباشد. در ادامه ما می خواهیم  MedicalRec2  را توسعه دهیم که یک مدل پیشنهاد دهنده طبقه بند و تقسیم بند در حوزه ی پزشکی می باشد. از این رو نفرات ۲ تا ۶ این مقاله را جهت مشارکت در نظر داریم. هزینه ها از قرار زیر می باشند.
2: 500$
3: 400$
4: 300$
5: 250$
6: 200$
جهت مشارکت با ایدی بنده در ارتباط باشین.
@Raminmousa
@Paper4money

📃 Current Bioinformatics Tools in Precision Oncology


📎 Study paper

@Machine_learn

با عرض سلام یکی از مقالاتمون در حوزه ی wound image classification در ژورنال nature scientific reports ریوایزد خورده و جایگاه های ۲ و ۵ اش قابل اضافه شدن می باشد. دوستانی که نیاز دارن می تونن جهت ثبت اسم به ایدی بنده پیام بدن
Price
2: 300$
5:150$
@Raminmousa
@Paper4money
@Machine_learn

🔥 Efficient Guided Generation for Large Language Models

💡 The paper presents an efficient method for guiding large language model text generation using regular expressions and context-free grammars. The problem addressed is that guided generation can be impractical due to significant overhead. The authors propose an approach that adds minimal overhead to the token sequence generation process. This method makes guided generation feasible in practice. The approach is implemented in the open source Python library Outlines, providing a practical solution for efficient guided generation. The results indicate that the method is effective, allowing for guided generation with little to no overhead, which is a significant contribution to the field of natural language processing.

📅 Published on Jul 19, 2023

🔗 Links:
• GitHub: https://github.com/huggingface
• arXiv: https://arxiv.org/abs/2307.09702
• PDF: https://arxiv.org/pdf/2307.09702

━━━━━━━━━━━━━━━━━━━━━━━━
@Machine_learn