单步长足以应对无投影线性TD(0)：通过Polyak-Ruppert平均同时获得稳健与快速收敛

近日，一篇来自arXiv的学术论文提出，在无投影线性时序差分（TD(0)）算法中，仅使用单一固定步长即可同时实现稳健的收敛速率和快速的收敛速度。传统观点认为，固定步长往往需要在稳健性和收敛速度之间权衡，而该研究通过引入Polyak-Ruppert平均技术，理论证明了单一步长能够兼顾二者，并给出了严格的收敛速率分析。该工作为强化学习中时序差分学习算法的参数选择提供了新的理论支撑，有望简化实际应用中步长调优的复杂度，提升算法的实用性和可靠性。 #强化学习 #时序差分 #步长选择 #PolyakRuppert #收敛速率 #机器学习 #算法理论

潜块扩散时序点过程

近日，一项发表于arXiv的研究提出了一种名为“潜块扩散时序点过程”（Latent Block-Diffusion Temporal Point Processes）的半自回归框架，用于高效生成异步事件序列。传统自回归方法在生成长序列时计算成本较高，而该框架通过将时间域划分为潜块，并利用扩散模型并行生成块内事件，同时保持序列间的依赖关系，显著提升生成速度。研究者指出，该方法在多个真实数据集上实现了更优的预测精度与生成效率，为事件序列建模提供了一种新范式，可应用于金融交易、社交网络、医疗记录等领域。 #人工智能 #机器学习 #时序点过程 #扩散模型 #事件序列 #半自回归 #arXiv #学术前沿

外生上下文MDP学习的Minimax PAC界

据arXiv预印本记录，Corentin Pla等四位作者于2026年6月23日提交论文《Minimax PAC Bounds for Learning in Exogenous Contextual MDPs》。该研究针对外生上下文马尔可夫决策过程（MDP）的学习问题，推导出最小最大（Minimax）PAC（可能近似正确）界，为强化学习在复杂动态环境下的样本复杂度分析提供了理论框架。论文通过DataCite分配DOI，目前以PDF和HTML格式公开。 #机器学习 #强化学习 #MDP #PAC界 #Minimax #论文 #arXiv

通过任务导向随机化稳定黑箱算法

研究人员Yali Wang等人在arXiv预印本平台提交了一篇论文，题为《通过任务导向随机化稳定黑箱算法》。该研究提出一种新颖的任务导向随机化方法，旨在增强黑箱算法的稳定性与鲁棒性。黑箱算法在机器学习、优化等领域广泛应用，但其内部机制不可见，导致输出波动或不可靠。论文的方法通过引入随机化策略，并使其与特定任务目标对齐，从而在不牺牲性能的前提下提升算法的可靠性。这一成果有望为复杂系统中的算法设计提供新思路，尤其适用于需要高稳定性的应用场景。目前论文已公开，供学术界进一步探讨与验证。 #arXiv #论文 #黑箱算法 #随机化 #机器学习 #稳定性 #算法优化 #科技前沿

统计有效的超参数选择

一篇来自arXiv的学术论文提出了一种统计上有效的超参数选择方法，旨在解决机器学习中模型调优的可靠性问题。由Amirmohammad Farzaneh和Osvaldo Simeone共同撰写的论文《Statistically Valid Hyperparameter Selection: From Tuning to Guarantees》，系统性地将超参数调优过程从经验性操作提升至具有统计保证的理论框架。研究覆盖了多种常见的调优策略，并给出了严格的性能保障，使得模型调优不仅能找到好的参数，还能对其效果进行量化置信。该工作对机器学习领域的研究人员和工程师具有重要参考价值，有望推动模型选择过程的规范化和可复现性。 #机器学习 #超参数调优 #统计保证 #arXiv #学术论文 #AI #数据科学

高斯平均场变分推断或高估预测方差

研究人员James Odgers与合作者在arXiv上提交了一篇题为《Gaussian Mean Field Variational Inference can Overestimate Predictive Variance》的论文。该研究指出，在贝叶斯推断中广泛使用的高斯平均场变分近似方法，在计算预测方差时可能存在系统性高估问题。变分推断通过简化后验分布来加速计算，但此发现意味着其不确定性量化可能偏乐观，进而影响模型可靠性。研究通过理论分析和实验验证了该现象，对机器学习中不确定性估计的应用提出重要警示。 #机器学习 #贝叶斯推断 #变分推断 #预测方差 #不确定性量化 #统计学习 #AI #论文

FedReLa

该论文提出了一种名为FedReLa的新方法，旨在应对联邦学习中的数据不平衡问题。传统联邦学习中，各客户端数据分布不均常导致模型性能下降，尤其对少数类样本识别效果差。FedReLa通过引入重标记（Re-Labeling）机制，在本地训练阶段对样本进行动态标签调整，从而缓解类别不平衡带来的偏差。实验表明，该方法在多个标准数据集上显著提升了模型在非独立同分布（Non-IID）场景下的表现，特别是在长尾分布和少数类识别任务中效果突出。该工作为联邦学习中的不平衡学习提供了新的解决思路，有望推动联邦学习在医疗、金融等数据分布不均领域的实际应用。 #联邦学习 #数据不平衡 #重标记 #深度学习 #AI #机器学习 #论文

合成数据增强何时能提升基于分数的非平衡分类？

arXiv平台近日上线了一篇题为《When Does Synthetic Data Augmentation Improve Score-Based Imbalanced Classification?》的研究论文。该论文由Zhengchi Ma等作者撰写，探讨了在非平衡分类任务中，合成数据增强技术对基于分数模型的影响条件。研究通过理论分析和实验验证，揭示了数据增强效果依赖于类别分布、模型类型及合成数据质量等因素，为实际应用中合理使用数据增强提供了理论指导。该工作有望提升机器学习在不均衡场景下的表现。 #机器学习 #非平衡分类 #数据增强 #合成数据 #学术论文 #AI #arXiv

扩散模型渐近学习曲线

一项新研究正式揭示了扩散模型在复杂数据分布下的渐近学习行为。该论文由Anand Jerry George等学者撰写，聚焦于使用随机特征评分和流形数据的扩散模型。研究通过理论分析推导了模型在训练过程中的学习曲线，阐明了模型容量、数据几何结构与泛化性能之间的关系。这项工作为理解扩散模型在高维、低维流形混合数据上的表现提供了数学基础，有助于优化模型训练效率和生成质量。论文已在arXiv上公开，并经过多版本修订，最终版本于2026年6月发布。 #扩散模型 #随机特征 #流形学习 #渐近分析 #机器学习理论 #AI #深度学习

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

有效非零数

来自哈工大等多位研究者的一篇论文提出了“有效非零数”（Effective Number of Nonzeros）概念，为稀疏恢复问题提供了全新的理论框架与正则化方法。该研究通过定义一种连续可微的度量，替代传统L0范数，实现了对稀疏性的更精确控制，并证明了其在优化与泛化性能上的优势。实验表明，该方法在图像重建、信号处理等领域显著优于现有稀疏恢复算法。论文已发布于arXiv，相关代码与数据也已公开，为稀疏机器学习领域提供了重要理论支撑。 #稀疏恢复 #有效非零数 #正则化 #机器学习 #信号处理 #论文 #学术研究

从巧合中挖掘信息

一篇题为《Information from coincidences》（来自巧合的信息）的研究论文于2026年6月23日提交至 arXiv 预印本平台。该论文由 Akshay Balsubramani 撰写，主要探讨如何从看似偶然的巧合事件中提取有价值的信息。论文可能涉及信息论、统计推理与概率模型等交叉领域，为理解随机性背后的信息结构提供了新的理论框架。目前论文可通过 arXiv 获取全文及数据资源。 #arXiv #预印本 #信息论 #巧合 #统计推理 #机器学习 #学术论文

层次化偏序排序模型论文在arXiv发布

近日，一篇题为《Hierarchical Partial-Order Models for Ranking》的学术论文在arXiv平台公开发布。该论文由Dongqing Li等两位作者共同撰写，提出了一种基于层次化偏序结构的排序模型。与传统的全序或简单偏序排序方法不同，该模型通过引入层次化结构，能够更灵活地表达排序中存在的部分比较关系和不确定性，从而提升在复杂排序任务上的表现。论文已通过DataCite分配了arXiv DOI（待注册）。目前该论文的PDF全文、HTML实验版本及TeX源码均可公开访问，研究社区可通过引用工具（如BibTeX）获取文献信息。 #机器学习 #排序模型 #层次化偏序 #人工智能 #arXiv #学术论文 #统计学习

随机克里金信徒方法实现带遗憾界的并行贝叶斯优化

据arXiv预印本平台显示，一篇题为“Randomized Kriging Believer for Parallel Bayesian Optimization with Regret Bounds”的研究论文正式上线。该论文由Shuhei Sugiura等人完成，提出了一种名为随机克里金信徒的新算法，用于并行贝叶斯优化场景。该方法在传统Kriging代理模型的基础上引入随机化机制，使得多个候选点可以同时进行评估，大幅提升了优化效率。研究团队还首次为该方法推导了严格的理论遗憾界，保证了算法的收敛性。实验表明，该算法在多个标准测试函数和实际黑箱优化问题上均优于现有并行方法，尤其适用于高维、计算代价昂贵的优化任务。论文已公开PDF全文，并附带了相关代码和数据链接。 #贝叶斯优化 #并行计算 #机器学习 #Kriging #遗憾界 #算法 #arXiv

训练你返回的模型

近日，一篇题为《Training for the Model You Return: Improving Optimization for Iterate-Averaged Language Models》的论文在arXiv上预发布。该论文由Kwok Chun Au和Adam Block共同撰写，聚焦于语言模型训练中的迭代平均（iterate averaging）技术。传统优化方法在训练后期直接返回最终模型参数，而迭代平均则通过对训练过程中多个检查点进行平均来获得更优模型。作者提出了一种新的训练策略，旨在使优化过程本身适应于迭代平均后的模型表现，从而提升语言模型的最终性能。实验表明，该方法在多个基准任务上显著改善了模型的收敛速度与泛化能力，为大规模语言模型的训练提供了更高效的优化路径。 #论文 #机器学习 #优化算法 #语言模型 #AI #深度学

Logit Distance Bounds Representational Similarity

近日，一篇题为《Logit Distance Bounds Representational Similarity》的学术论文在arXiv平台发布，作者为Beatrix M. G. Nielsen等。该论文属于计算机科学和统计学交叉领域，主要探讨神经网络中表征相似性的度量方法。研究提出使用Logit距离作为表征相似性的上界约束，为理解模型内部表示和进行模型比较提供了新的理论工具。论文自2026年2月首次提交以来已更新多个版本，并附带了代码与数据资源，有望推动模型可解释性和神经网络分析领域的发展。 #机器学习 #表征相似性 #Logit距离 #arXiv #神经网络 #论文

CauScale

该论文由Bo Peng等5位作者提交至arXiv，提出一种名为CauScale的神经因果发现框架，旨在解决大规模数据中的因果关系推断问题。传统因果发现方法在计算复杂度和可扩展性上存在瓶颈，CauScale通过神经网络架构创新，显著提升了处理高维变量和复杂非线性关系的能力。论文展示了该方法在多个基准数据集上的优越性能，并提供了开源代码实现，有望推动因果推断在生物信息学、经济学等领域的实际应用。 #因果发现 #神经网络 #大规模数据 #AI #arXiv #论文 #CauScale

arXiv论文提出基于预训练信念表示的高效自适应数据采集方法

近日，一篇题为《Efficient Adaptive Data Acquisition via Pretrained Belief Representations》的研究论文在arXiv预印本平台公开发布。该论文由Daolang Huang等六位作者共同完成，于2026年6月23日提交。论文聚焦于自适应数据采集的效率问题，提出利用预训练的信念表示来指导数据选择过程。具体而言，该方法通过预训练模型生成的信念估计，动态评估各数据样本的信息价值，从而优先采集最具学习潜力的样本，有效降低标注成本。这一框架在主动学习、数据高效机器学习等领域具有潜在应用价值。目前论文提供PDF和HTML版本供研究人员下载查阅。 #arXiv #论文 #机器学习 #自适应数据采集 #预训练表示

SGD在多指标模型中的局限性

一篇由Daniel Barzilai和Ohad Shamir撰写的论文《Limitations of SGD for Multi-Index Models Beyond Statistical Queries》在arXiv上发布。该研究深入探讨了随机梯度下降（SGD）算法在处理多指标模型时的性能边界。传统上，统计查询（SQ）模型为分析学习算法的信息复杂度提供了框架，但SGD在实际应用中常表现出超越SQ模型的效率。论文通过理论分析指出，对于某些多指标模型，SGD的收敛速度受到严格限制，无法像在简单模型中那样高效。这一发现揭示了SGD在复杂高维问题中的固有弱点，为理解深度学习优化算法的局限性提供了新视角，并可能影响未来算法设计与理论分析的方向。 #机器学习 #SGD #多指标模型 #统计查询 #优化算法 #深度学习 #理论计算机科学 #论文

学习可解释文本信号以实现结构化响应

近日，来自Cixiao Jiang等研究者的论文《Learning Interpretable Text Signals for Structured Responses》在arXiv平台发布。该论文聚焦于如何从文本中学习可解释的信号，以生成结构化响应。研究提出一种新方法，旨在提升模型对文本中隐含信号的识别与利用能力，从而使输出结果更具结构化和可解释性。相关工作在自然语言处理、可解释AI等领域具有潜在应用价值。论文已通过DataCite关联arXiv DOI，并提供PDF及HTML等访问方式。 #人工智能 #自然语言处理 #可解释性 #结构化响应 #机器学习 #论文 #arXiv

在线表格MDP中数据与方差依赖的遗憾界新成果

一篇来自arXiv的论文针对在线表格马尔可夫决策过程（MDP）提出了数据依赖和方差依赖的遗憾界。该研究由Mingyi Li等人完成，通过理论分析推导出更紧的遗憾上界，为在线学习中的样本复杂度和算法性能提供了更精细的刻画。这一成果有望对强化学习算法设计产生重要指导意义，特别是在需要权衡探索与利用的场景中。 #强化学习 #MDP #遗憾界 #在线学习 #理论 #arXiv #算法 #机器学习