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

基于核函数的成分处理因果推断平衡方法

研究人员提出了一种基于核函数的成分处理因果推断平衡方法。该方法针对成分数据（如比例或百分比）作为处理变量的因果效应估计问题，通过核函数将成分数据映射到再生核希尔伯特空间，并利用平衡权重调整协变量分布差异。与传统倾向得分方法不同，该技术无需显式建模处理分配机制，而是直接优化权重使得处理组与对照组的协变量分布达到平衡。实验表明，该方法在合成数据和真实数据上均能有效降低估计偏差，为成分处理变量的因果推断提供了新的理论框架和实用工具。 #因果推断 #成分数据 #核方法 #统计学习 #机器学习 #因果效应 #平衡权重

贝叶斯泊松-随机伽马张量分解模型在国际贸易流分析中的应用

研究人员提出了一种新的贝叶斯泊松-随机伽马张量分解模型，用于分析国际贸易流数据。该模型通过引入随机伽马先验分布，有效解决了传统张量分解方法在处理稀疏高维贸易数据时的过拟合问题。实验表明，该模型在预测国家间贸易流量方面优于现有方法，能够更准确地捕捉贸易模式中的潜在结构。研究还发现，该模型可解释性强，有助于揭示贸易网络中的隐藏关系。该工作为国际贸易数据分析提供了新的统计工具，有望在经济学和统计学领域得到广泛应用。 #贝叶斯统计 #张量分解 #国际贸易 #机器学习 #数据科学 #统计模型 #经济分析

哈密顿动力学与确定性积分时间加速凸优化研究取得进展

近日，来自Xiuyuan Wang等学者的研究论文《Accelerated Convex Optimization via Hamiltonian Dynamics with Deterministic Integration Time》在arXiv平台预发布。该研究提出了一种结合哈密顿动力学与确定性积分时间的加速凸优化新方法，旨在提升经典凸优化算法的收敛速度。论文详细阐述了方法的核心理论框架，并通过数学推导与实验验证展示了其在处理大规模优化问题时的显著优势。这一成果为机器学习和运筹学等领域的高效优化提供了新的理论工具与算法思路，有望推动相关应用的发展。 #arXiv #论文 #凸优化 #哈密顿动力学 #加速算法 #优化理论 #人工智能 #机器学习 #数学

基于多项式混沌展开与多变量主动学习的工程结构不确定性量化研究

一项最新研究提出了一种结合多项式混沌展开（PCE）与多变量主动学习的方法，用于工程结构的不确定性量化。该方法通过主动学习策略高效选取训练样本，显著降低了传统PCE在高维问题中的计算成本，同时保持了对结构响应统计特征的准确估计。研究在多个工程案例中验证了该方法的有效性，表明其在处理复杂结构系统的不确定性传播方面具有实用潜力。该工作由Qitian Lu等学者完成，相关论文已在arXiv预印本平台发布。 #工程结构 #不确定性量化 #多项式混沌展开 #主动学习 #机器学习 #数值模拟 #结构可靠性

平方和度数屏障：鲁棒半空间学习重加权铰链法的Christoffel函数特征

研究者Xiaoyu Li在arXiv预印本上发表了一项关于鲁棒半空间学习的理论成果。该工作聚焦于重加权铰链法，通过Christoffel函数对平方和度数屏障进行了严格的数学特征化。鲁棒半空间学习是机器学习的核心问题之一，旨在设计对对抗样本具有较强鲁棒性的分类器。该研究从代数复杂性角度揭示了重加权铰链法的本质局限，给出了度数屏障的精确描述，为理解鲁棒学习的理论边界提供了新工具。这一结果对后续算法设计和优化理论有重要参考价值，有望推动对抗性鲁棒性分析的进一步发展。 #机器学习 #理论 #鲁棒学习 #半空间 #平方和 #Christoffel函数 #XiaoyuLi #arXiv #AI理论

芬斯勒几何与图神经网络相结合的新框架

近日，一篇题为《Finsler Geometry, Graph Neural Networks, and You》的预印本论文在arXiv上发布。论文由T. Mitchell Roddenberry等人撰写，提出将芬斯勒几何（Finsler Geometry）引入图神经网络（GNN）的设计中。芬斯勒几何是黎曼几何的推广，能够处理非对称度量空间，从而为图数据中的方向性、异质性等复杂结构提供更自然的建模工具。该研究有望突破传统GNN在非欧几里得空间中的表达能力限制，为图表示学习、节点分类和链路预测等任务带来新思路。论文已提供HTML格式预览及TeX源码，目前暂未公布具体实验数据与代码，但已引发学术界广泛关注。 #芬斯勒几何 #图神经网络 #论文 #AI #机器学习 #几何深度学习

马尔可夫噪声下线性特征时序差分学习的扩散近似

近期，一篇由M. Forzo等人提交至arXiv的论文提出了一种新的理论框架，用于分析马尔可夫噪声环境中基于线性特征的时序差分（TD）学习算法。该研究通过扩散近似方法，将原本离散的随机逼近过程转化为连续时间扩散过程，从而更精确地刻画TD学习在策略评估中的收敛行为。论文重点讨论了当奖励和状态转移受马尔可夫链影响时，线性函数逼近的误差动力学，并证明了扩散近似能够有效捕捉算法在长期运行中的统计特性。这一工作为深度强化学习中常见的时间相关噪声问题提供了理论基础，有望推动自适应学习算法的稳定性分析。相关论文已可在arXiv预印本平台查阅。 #强化学习 #时序差分学习 #扩散近似 #马尔可夫噪声 #线性函数逼近 #机器学习理论 #arXiv论文

基于张量的二阶因果发现

arXiv平台近日公开了一篇题为“Tensor-based second-order causal discovery”的研究论文。该论文由Nathan Ouyang等人提出，基于张量分解与二阶统计量，创新性地构建了因果发现新框架。通过利用数据中高阶矩信息，该方法能够更稳健地推断变量间的因果关系，尤其适用于高维、非线性场景下的因果结构学习。研究为因果科学领域提供了新的理论工具与计算范式，有望推动机器学习、生物信息学等应用中的因果推断进展。 #因果发现 #张量 #二阶统计 #机器学习 #arXiv #论文 #因果推断

两阶段回归实现快速非参数条件独立性检验

近日，一篇题为《Fast Nonparametric Conditional Independence Testing via Two-Stage Regression》的论文在arXiv平台公开。作者Eric V. Strobl提出了一种基于两阶段回归的快速非参数条件独立性检验方法。该方法无需对数据分布做强假设，通过两阶段回归有效降低计算复杂度，适用于高维或复杂数据环境下的因果推断与统计检验。论文详细阐述了算法的理论性质与实验效果，为大规模数据分析提供了高效工具。 #非参数统计 #条件独立性检验 #两阶段回归 #因果推断 #机器学习 #统计学 #arXiv