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
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
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
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
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
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
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
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
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
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
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
核梯度流与无穷小梯度提升的函数中心极限定理研究
近日，一篇题为《核梯度流与无穷小梯度提升的函数中心极限定理》的论文在arXiv预印本平台发布。该研究由克莱蒙·东布里（Clément Dombry）等人完成，深入探讨了核梯度流（kernel gradient flow）和无穷小梯度提升（infinitesimal gradient boosting）的渐近性质。论文提出了一个函数中心极限定理，为理解这两类算法的统计收敛性提供了理论基础。这项工作有助于推动机器学习理论的发展，特别是在核方法和梯度提升算法的统计分析方面具有参考价值。论文发布于2026年6月24日，目前可在线获取全文。 #数学 #统计 #机器学习 #核方法 #梯度提升 #中心极限定理 #arXiv #论文
近日，一篇题为《核梯度流与无穷小梯度提升的函数中心极限定理》的论文在arXiv预印本平台发布。该研究由克莱蒙·东布里（Clément Dombry）等人完成，深入探讨了核梯度流（kernel gradient flow）和无穷小梯度提升（infinitesimal gradient boosting）的渐近性质。论文提出了一个函数中心极限定理，为理解这两类算法的统计收敛性提供了理论基础。这项工作有助于推动机器学习理论的发展，特别是在核方法和梯度提升算法的统计分析方面具有参考价值。论文发布于2026年6月24日，目前可在线获取全文。 #数学 #统计 #机器学习 #核方法 #梯度提升 #中心极限定理 #arXiv #论文
学习单调对抗性污染
一篇题为《Learning with Monotone Adversarial Corruptions》的论文近日在arXiv上发布。该研究由Kasper Green Larsen等学者共同完成，探讨在一种特殊形式的对抗性污染——单调污染下的学习问题。传统对抗性污染假设攻击者可以任意篡改数据，而单调污染则约束攻击者只能以单调方式破坏样本（例如仅增加或减少某些特征）。作者证明了在这种情况下，即使污染比例很高，仍可实现有效学习，并给出了相应的算法与理论保证。这一成果对于理解鲁棒机器学习的极限以及设计更安全的模型具有重要理论价值，有助于推动对抗性学习领域的进一步发展。 #机器学习 #对抗性污染 #鲁棒学习 #单调性 #arXiv #理论计算机科学 #AI安全
一篇题为《Learning with Monotone Adversarial Corruptions》的论文近日在arXiv上发布。该研究由Kasper Green Larsen等学者共同完成，探讨在一种特殊形式的对抗性污染——单调污染下的学习问题。传统对抗性污染假设攻击者可以任意篡改数据，而单调污染则约束攻击者只能以单调方式破坏样本（例如仅增加或减少某些特征）。作者证明了在这种情况下，即使污染比例很高，仍可实现有效学习，并给出了相应的算法与理论保证。这一成果对于理解鲁棒机器学习的极限以及设计更安全的模型具有重要理论价值，有助于推动对抗性学习领域的进一步发展。 #机器学习 #对抗性污染 #鲁棒学习 #单调性 #arXiv #理论计算机科学 #AI安全
鲁棒线性预测论文已被撤回
最新消息，一篇题为《Robust Linear Predictions: Analyses of Uniform Concentration, Fast Rates and Model Misspecification》（鲁棒线性预测：均匀集中、快速速率与模型误设分析）的学术论文已被作者撤回。该论文由Saptarshi Chakraborty等人撰写，最初于2022年1月提交至arXiv预印本平台，先后经历两次更新，最终版本于2026年6月23日被标记为“已撤回”。论文主要探讨了鲁棒线性回归中的均匀集中性质、快速收敛速率以及模型误设问题，属于机器学习与统计学习理论领域的重要研究。撤回原因并未详细说明，但通常涉及数据、模型或结论中的重大缺陷或错误。 #学术 #论文 #撤回 #机器学习 #鲁棒性 #线性预测 #arXiv #统计学习
最新消息，一篇题为《Robust Linear Predictions: Analyses of Uniform Concentration, Fast Rates and Model Misspecification》（鲁棒线性预测：均匀集中、快速速率与模型误设分析）的学术论文已被作者撤回。该论文由Saptarshi Chakraborty等人撰写，最初于2022年1月提交至arXiv预印本平台，先后经历两次更新，最终版本于2026年6月23日被标记为“已撤回”。论文主要探讨了鲁棒线性回归中的均匀集中性质、快速收敛速率以及模型误设问题，属于机器学习与统计学习理论领域的重要研究。撤回原因并未详细说明，但通常涉及数据、模型或结论中的重大缺陷或错误。 #学术 #论文 #撤回 #机器学习 #鲁棒性 #线性预测 #arXiv #统计学习
RotRNN
来自arXiv的一项新研究提出RotRNN模型，旨在解决传统循环神经网络（RNN）在长序列建模中的梯度消失和计算效率问题。该模型的核心思想是将旋转矩阵引入RNN的隐藏状态更新中，通过旋转操作保持信息的长期记忆，同时避免复杂门控机制带来的计算开销。实验表明，RotRNN在多个长序列基准任务上取得了与Transformer相近的性能，但参数量和推理速度更具优势。论文还提供了理论分析，证明旋转操作能够有效缓解梯度爆炸/消失现象。该工作由Kai Biegun等多位研究者共同完成，相关代码与模型已在arXiv上公开。 #RNN #长序列建模 #旋转矩阵 #arXiv #深度学习 #论文 #AI
来自arXiv的一项新研究提出RotRNN模型，旨在解决传统循环神经网络（RNN）在长序列建模中的梯度消失和计算效率问题。该模型的核心思想是将旋转矩阵引入RNN的隐藏状态更新中，通过旋转操作保持信息的长期记忆，同时避免复杂门控机制带来的计算开销。实验表明，RotRNN在多个长序列基准任务上取得了与Transformer相近的性能，但参数量和推理速度更具优势。论文还提供了理论分析，证明旋转操作能够有效缓解梯度爆炸/消失现象。该工作由Kai Biegun等多位研究者共同完成，相关代码与模型已在arXiv上公开。 #RNN #长序列建模 #旋转矩阵 #arXiv #深度学习 #论文 #AI