条件分位数期望下的局部重要性方法

该论文提出了一种基于条件分位数期望的局部重要性评估方法，旨在量化机器学习模型中各特征对预测结果的局部贡献。研究团队通过引入分位数期望框架，克服了传统特征重要性方法在非对称分布和极端值场景下的局限性。实验表明，该方法在多个基准数据集上均能更准确地识别关键特征，尤其在处理高维数据和复杂非线性关系时表现优异。该研究已发表于《Transactions on Machine Learning Research》（2026年），为模型可解释性领域提供了新的理论工具。 #机器学习 #特征重要性 #分位数期望 #模型可解释性 #AI研究

随机中点法突破约束下对数凹采样难题

来自arXiv的最新研究提出了一种随机中点法，用于解决约束条件下的对数凹采样问题。该方法通过引入随机中点策略，有效处理了采样过程中的约束限制，在保持采样效率的同时确保了收敛性。研究团队通过理论分析和实验验证，证明了该方法在多种约束场景下的优越性能，为统计计算和机器学习中的复杂采样问题提供了新的解决方案。 #arXiv #随机中点法 #对数凹采样 #约束优化 #机器学习 #统计计算 #算法研究

随机网络中有限时间队列峰值定律

该论文由Hao Liang等作者提出，研究了随机网络中队列长度的有限时间峰值行为。研究发现，在达到特定几何阈值后，队列峰值的增长呈现对数缩放规律。这一发现为理解网络拥塞的动态特性提供了新的理论视角，有助于优化网络资源分配和流量控制策略。论文通过严格的数学推导和数值模拟验证了该定律的普适性，为随机网络中的排队论研究贡献了新的分析工具。 #随机网络 #队列理论 #有限时间分析 #对数缩放 #网络建模 #排队论 #arXiv #科技论文

具有尾部特定保证的共形预测区间方法

近期，arXiv上预发布了一篇题为《Conformal Prediction Intervals with Tail-Specific Guarantees》的学术论文。该论文由Simone Cuonzo与Nina Deliu共同撰写，提出了一种创新的共形预测框架，旨在为预测区间提供针对数据分布尾部区域的特定统计保证。传统共形预测方法通常关注整体覆盖概率，而本工作则侧重于改进对极端值或低概率事件的预测可靠性。论文通过理论推导与实证分析，展示了该方法在金融、气象等长尾分布场景下的有效性，为不确定性量化领域提供了新的工具。 #共形预测 #尾部保证 #统计学 #机器学习 #不确定性量化 #ArXiv论文

个体地铁使用长期动态研究

一项发表于arXiv的研究论文提出了一种新的隐半马尔可夫状态框架，结合生存分析方法，用于理解个体地铁使用行为的长期动态。传统模型多关注短期或群体模式，难以捕捉乘客出行行为的长期演变。该框架通过识别隐藏状态（如高频、低频、偶发等）及状态间的转移概率，并引入生存分析刻画状态持续时间的分布，从而更准确地建模个体地铁使用的时间序列。研究基于大规模刷卡数据验证，结果表明该模型能有效揭示乘客出行模式的变化规律，为城市交通规划与动态运营提供决策支持。该方法有望推广至其他公共交通系统。 #地铁出行 #隐半马尔可夫模型 #生存分析 #交通研究 #城市交通 #大数据 #arXiv论文

嵌套抽样

一篇题为《嵌套抽样：关键且全面的理论指南》的学术论文在arXiv预印本平台发布。该论文由Luca Martino等人撰写，系统性地回顾并剖析了嵌套抽样算法的理论基础、实现细节及实际应用。嵌套抽样是一种常用于贝叶斯统计计算和模型选择的蒙特卡洛方法，尤其在处理多模态分布和高维参数空间时具有优势。作者从基本原理出发，对比了多种变体与改进策略，并讨论了其在不同科学领域（如天体物理学、统计学）中的适用性与局限性。该研究旨在为研究者提供一份清晰的参考手册，帮助深化对嵌套抽样核心思想的理解，并指导实际计算中的算法选择与参数调优。论文目前以HTML和PDF格式开放获取，并附有相关参考文献与工具链接，便于学术界进一步探索。 #嵌套抽样 #贝叶斯统计 #蒙特卡洛 #理论指南 #arXiv #机器学习 #统计计算 #论文

多处理实验响应自适应策略论文发布

一篇题为《关于多处理实验的响应自适应目标策略》的研究论文近日在arXiv预印本平台发布。该论文由Redouane Yagouti等三位作者共同完成，于2026年6月16日提交。论文聚焦多处理（多治疗）场景下的响应自适应目标分配方法，旨在动态调整实验策略以提升效率与效果。该研究属于数学与统计领域，对临床试验、在线实验等需动态资源分配的实践具有参考价值。 #论文 #arXiv #统计 #机器学习 #实验设计 #响应自适应 #多处理 #策略 #研究 #2026

Kostlan-Shub-Smale场的非渐近尾界：张量PCA与球面k

这篇论文研究了Kostlan-Shub-Smale随机场中非渐近尾界的性质，并将其应用于张量主成分分析（PCA）和球面k-自旋复杂度问题。作者推导了精确的尾概率界，为高维统计和随机几何中的相关模型提供了理论保证。该工作对理解随机张量和高斯场的极值行为具有重要意义。 #数学 #统计 #随机场 #张量PCA #自旋复杂度 #非渐近尾界 #高维统计 #arXiv论文

Telegram必备的搜索引擎，极搜JISOU帮你精准找到，想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_8247614025

潜在中介分析新方法

一篇题为“Proximal Mediation Analysis with Hidden Recanting Witnesses”的论文在arXiv上提交。该研究由吴思涵（Sihan Wu）等学者完成，针对中介分析中一类特殊问题——存在未被观测到的“翻供证人”（即中介变量受暴露影响后又反作用于暴露的隐藏机制）——提出了近端中介分析新框架。该方法利用代理变量解决因果推断中的识别难题，拓展了传统中介分析的应用场景，尤其适用于潜在违反“无中介-暴露交互”假设的复杂数据环境。论文已开放PDF预览，并提供了代码链接。 #因果推断 #中介分析 #统计方法 #arXiv #学术论文 #机器学习 #隐藏变量

Anthropic 叫停 Claude Agent SDK 按 Token 计费变更计划

IT之家报道，Anthropic 为平息开发者不满，宣布搁置 Claude Agent SDK 基于 Token 的计费变更计划。该 SDK 是开源框架，允许开发者直接调用 Claude Code 底层能力。Anthropic 原定于 6 月 15 日起将此前标准订阅模式改为按 API Token 用量收费，订阅用户仅获等额抵扣额度。开发者分析指出，若以 Opus 作为主编码助手，成本将大幅增加，编辑器 Zed 团队更警告这是“重大成本增加”。最终，Anthropic 在 6 月 15 日更新支持页面，宣布暂停该变更，称“目前没有任何变化”，并正在更新计划以更好支持用户。 #Anthropic #Claude #AgentSDK #计费变更 #开发者 #AI #科技新闻

FoundCause：从观测数据中发现含潜在混杂因素的因果关系

一篇题为《FoundCause: 从观测数据中发现含潜在混杂因素的因果关系》的学术论文近日提交至arXiv预印本平台。该研究由Patrick Blöbaum等三位作者完成，主要探讨在观测数据中，当存在未观测到的潜在混杂变量时，如何进行有效的因果发现。论文提出了一种名为FoundCause的新方法，旨在解决传统因果推断方法在处理隐藏混杂因素时的局限性。该方法有望在流行病学、社会科学和经济学等领域得到应用，帮助研究人员从非实验数据中更准确地识别因果关系。目前，该论文的PDF全文和HTML版本已可供查阅。 #因果发现 #潜在混杂因素 #观测数据 #机器学习 #arXiv #学术论文

Anytime-valid Optimal Policy Identification

arXiv平台上近日收录了一篇题为“Anytime-valid Optimal Policy Identification”的研究论文，作者为Daniel Molitor。该论文于2026年6月16日提交，属于统计学习领域。研究聚焦于在任意时间点均可进行统计推断的策略识别方法，旨在解决传统固定样本量分析在实际应用中的局限性。论文可能提出了新的理论框架或算法，使得研究者能够持续监测数据并做出有效的决策，同时控制错误发现率。目前论文可通过PDF或HTML形式获取全文，并附有BibTeX引用信息及相关学术工具链接。 #论文 #统计学习 #策略识别 #arXiv #机器学习

Martingale Doppelgänger-Eval：审计视觉语言模型K线图理解能力的新框架

一项发表于arXiv的新研究提出了名为“Martingale Doppelgänger-Eval”的识别框架，用于系统审计视觉语言模型（VLM）对金融K线图的理解程度。该框架通过设计特定的测试用例，检测模型在识别K线形态、趋势和异常模式时的表现。研究发现，当前主流VLM在金融图表解读上存在显著偏差与幻觉，尤其是在处理非标准或罕见K线结构时。这一评估工具有助于提升金融AI的可信度与安全性，为开发更可靠的智能投顾系统提供了基准。 #视觉语言模型 #K线图 #金融AI #模型评估 #深度学习 #arXiv论文 #AI审计

基于POMDP的智能体AI系统模型验证框架

一篇题为《智能体AI系统的模型验证：基于POMDP的信念状态、预测与策略验证框架》的学术论文在arXiv上发布。该论文由Matthew Francis Dixon撰写，提出了一种基于部分可观测马尔可夫决策过程（POMDP）的框架，用于对智能体AI系统进行模型验证。框架主要涵盖信念状态验证、预测验证和策略验证三个核心方面，旨在提升智能体系统在复杂环境中的可靠性与可解释性。论文还提供了PDF、HTML及TeX源码等多种访问方式，并支持BibTeX引用导出。 #AI #智能体 #模型验证 #POMDP #学术论文

Adam 算法中心极限定理新成果：动量与非收敛自适应预条件下的 Polyak

近日，一篇 arXiv 预印本论文提出了 Adam 优化算法在动量及非收敛自适应预条件下的 Polyak-Ruppert 中心极限定理。该研究由 Sunyoung An 等人完成，于 2026 年 6 月提交。Adam 作为深度学习领域广泛使用的自适应矩估计优化器，其理论收敛性分析一直是热点。该工作首次为带动量项且自适应预条件不收敛的随机近似 Adam 算法（SA-Adam）建立了 Polyak-Ruppert 形式的中心极限定理，揭示了算法长期运行的渐进分布行为。这一结果填补了非收敛自适应步长场景下 Adam 算法统计推断的理论空白，为理解 Adam 的泛化性能与优化动力学提供了新的数学工具，对机器学习和优化理论领域具有重要参考价值。 #Adam #优化算法 #中心极限定理 #机器学习 #统计理论 #arXiv #论文解读