SafeImpute：基于共形选择实现可靠临床数据插补的新方法
近日，科研人员提出了一种名为SafeImpute的新型临床数据插补方法。该方法基于共形选择（Conformal Selection）技术，旨在解决医疗数据中普遍存在的缺失值问题。通过引入共形预测框架，SafeImpute能够为每个缺失值提供置信度评估，从而选择最可靠的插补值，显著提升数据填补的可信度。传统插补方法常因忽视不确定性而引入偏差，而该方法则在保持数据分布特性的基础上，有效降低了插补误差。研究团队在多个临床数据集上进行了验证，结果显示SafeImpute在准确性和鲁棒性方面均优于现有方法。这一工作为电子健康记录分析、疾病预测和临床决策支持提供了更可靠的数据预处理手段，具有重要的应用价值。相关论文已由Xinrui He等作者发表于arXiv预印本平台。 #SafeImpute #临床数据插补 #共形选择 #机器学习 #人工智能 #健康医疗 #数据科学 #科研论文 #不确定性量化
近日，科研人员提出了一种名为SafeImpute的新型临床数据插补方法。该方法基于共形选择（Conformal Selection）技术，旨在解决医疗数据中普遍存在的缺失值问题。通过引入共形预测框架，SafeImpute能够为每个缺失值提供置信度评估，从而选择最可靠的插补值，显著提升数据填补的可信度。传统插补方法常因忽视不确定性而引入偏差，而该方法则在保持数据分布特性的基础上，有效降低了插补误差。研究团队在多个临床数据集上进行了验证，结果显示SafeImpute在准确性和鲁棒性方面均优于现有方法。这一工作为电子健康记录分析、疾病预测和临床决策支持提供了更可靠的数据预处理手段，具有重要的应用价值。相关论文已由Xinrui He等作者发表于arXiv预印本平台。 #SafeImpute #临床数据插补 #共形选择 #机器学习 #人工智能 #健康医疗 #数据科学 #科研论文 #不确定性量化
EquiFiLM
近日，研究人员在arXiv预印本平台发表论文，提出EquiFiLM模型。该模型通过特征线性调制（Feature-wise Linear Modulation）技术，构建了电荷条件等变力场，使力场预测能根据原子电荷自适应调整，同时严格保证物理等变性。传统力场在处理不同电荷状态的分子时精度有限，EquiFiLM将电荷信息作为条件输入，利用FiLM层动态调节网络中间特征，从而输出等变的力预测。实验表明，该模型在多种分子及材料体系中展现出比现有方法更优的准确性和泛化能力。这项研究有望推动机器学习在分子动力学、材料设计和药物发现等领域的应用，为高精度力场开发开辟新路径。 #EquiFiLM #等变力场 #电荷条件 #特征线性调制 #分子动力学 #机器学习 #AI #科学计算 #arXiv #等变性
近日，研究人员在arXiv预印本平台发表论文，提出EquiFiLM模型。该模型通过特征线性调制（Feature-wise Linear Modulation）技术，构建了电荷条件等变力场，使力场预测能根据原子电荷自适应调整，同时严格保证物理等变性。传统力场在处理不同电荷状态的分子时精度有限，EquiFiLM将电荷信息作为条件输入，利用FiLM层动态调节网络中间特征，从而输出等变的力预测。实验表明，该模型在多种分子及材料体系中展现出比现有方法更优的准确性和泛化能力。这项研究有望推动机器学习在分子动力学、材料设计和药物发现等领域的应用，为高精度力场开发开辟新路径。 #EquiFiLM #等变力场 #电荷条件 #特征线性调制 #分子动力学 #机器学习 #AI #科学计算 #arXiv #等变性
λ-VAE
一篇近期提交至arXiv的论文提出名为“λ-VAE”的方法，旨在解决变分自编码器（VAE）训练中的后验坍塌问题。该研究由Girum Demisse完成，标题为《λ-VAE: Variance Equalization for Posterior Collapse》。后验坍塌是VAE的常见困境，即解码器忽略潜在变量导致表示退化。λ-VAE通过引入方差均衡机制，强制潜在变量保持合理方差，从而增强编码器的表达能力。这项工作对生成模型的稳定性提升及表示学习研究具有重要意义，论文于2026年7月6日发布。 #arXiv #论文 #λVAE #VAE #后验坍塌 #生成模型 #深度学习 #AI #表示学习
一篇近期提交至arXiv的论文提出名为“λ-VAE”的方法，旨在解决变分自编码器（VAE）训练中的后验坍塌问题。该研究由Girum Demisse完成，标题为《λ-VAE: Variance Equalization for Posterior Collapse》。后验坍塌是VAE的常见困境，即解码器忽略潜在变量导致表示退化。λ-VAE通过引入方差均衡机制，强制潜在变量保持合理方差，从而增强编码器的表达能力。这项工作对生成模型的稳定性提升及表示学习研究具有重要意义，论文于2026年7月6日发布。 #arXiv #论文 #λVAE #VAE #后验坍塌 #生成模型 #深度学习 #AI #表示学习
PatchOptic：用于共享状态LLM工作流的投影视图与验证更新方法
据arXiv预印本显示，研究人员Zhaoyu Bai等于2026年7月6日提交了一篇题为“PatchOptic for Shared-State LLM Workflows with Projected Views and Verified Structured Updates”的论文。该论文提出了PatchOptic方法，旨在解决大型语言模型（LLM）工作流中的共享状态管理问题。通过引入投影视图限制每个步骤的状态访问范围，并配合验证的结构化更新机制，确保状态修改符合预设规则且可追溯。该方法适用于多步骤、多工具协作的LLM工作流，有助于提升系统一致性与可靠性。该预印本现已发布在arXiv平台。 #arXiv #LLM #工作流 #共享状态 #投影视图 #结构化更新 #验证 #论文 #人工智能 #大模型
据arXiv预印本显示，研究人员Zhaoyu Bai等于2026年7月6日提交了一篇题为“PatchOptic for Shared-State LLM Workflows with Projected Views and Verified Structured Updates”的论文。该论文提出了PatchOptic方法，旨在解决大型语言模型（LLM）工作流中的共享状态管理问题。通过引入投影视图限制每个步骤的状态访问范围，并配合验证的结构化更新机制，确保状态修改符合预设规则且可追溯。该方法适用于多步骤、多工具协作的LLM工作流，有助于提升系统一致性与可靠性。该预印本现已发布在arXiv平台。 #arXiv #LLM #工作流 #共享状态 #投影视图 #结构化更新 #验证 #论文 #人工智能 #大模型
InvWeaver
近日，一篇题为“InvWeaver: Deductive Feedback for Invariant Synthesis in Interacting-Loop Programs”的论文在arXiv上提交。该论文由Guangyuan Wu等七位作者共同完成，聚焦程序验证中的核心难点——交互循环程序的不变量合成问题。作者提出了一种名为InvWeaver的新方法，通过演绎反馈机制自动引导不变量的生成与迭代优化，显著提升合成效率与正确性，为形式化验证和软件可靠性分析提供了有力工具。目前论文的完整PDF及TeX源码已在arXiv开放获取。 #InvWeaver #演绎反馈 #不变量合成 #交互循环 #程序验证 #arXiv #形式化方法 #循环不变量 #软件工程 #计算机科学
近日，一篇题为“InvWeaver: Deductive Feedback for Invariant Synthesis in Interacting-Loop Programs”的论文在arXiv上提交。该论文由Guangyuan Wu等七位作者共同完成，聚焦程序验证中的核心难点——交互循环程序的不变量合成问题。作者提出了一种名为InvWeaver的新方法，通过演绎反馈机制自动引导不变量的生成与迭代优化，显著提升合成效率与正确性，为形式化验证和软件可靠性分析提供了有力工具。目前论文的完整PDF及TeX源码已在arXiv开放获取。 #InvWeaver #演绎反馈 #不变量合成 #交互循环 #程序验证 #arXiv #形式化方法 #循环不变量 #软件工程 #计算机科学
打破结构隔离：基于社区感知采样与结构熵的可扩展图聚类方法
据arXiv网站显示，一篇题为《Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy》的论文于2026年7月6日提交。该论文由Jingyun Zhang等人撰写，针对图聚类中存在的结构隔离问题，提出了一套可扩展的聚类方案。核心思路是利用社区感知采样策略降低大规模图数据的计算开销，并通过结构熵理论优化聚类划分质量，从而在保持高效性的同时提升准确率。该工作有望推动图数据挖掘在社交网络、生物信息等领域的应用。 #arXiv #论文 #图聚类 #结构熵 #社区感知采样 #机器学习 #数据挖掘 #可扩展算法
据arXiv网站显示，一篇题为《Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy》的论文于2026年7月6日提交。该论文由Jingyun Zhang等人撰写，针对图聚类中存在的结构隔离问题，提出了一套可扩展的聚类方案。核心思路是利用社区感知采样策略降低大规模图数据的计算开销，并通过结构熵理论优化聚类划分质量，从而在保持高效性的同时提升准确率。该工作有望推动图数据挖掘在社交网络、生物信息等领域的应用。 #arXiv #论文 #图聚类 #结构熵 #社区感知采样 #机器学习 #数据挖掘 #可扩展算法
AdaStop
一篇由Bonan Shen等人撰写的论文《AdaStop: Cost-Aware Early Stopping for DNN Test Selection》在arXiv平台正式提交。该研究聚焦于深度神经网络测试过程中的成本优化问题，提出一种名为AdaStop的早停策略，能够在保证测试质量的前提下，通过动态感知计算资源消耗，智能决定何时终止测试流程，从而显著降低测试成本。论文详细阐述了方法的理论框架与实现原理，并在多个基准数据集上进行了实验验证。该成果为深度学习模型的自动化测试与资源调度提供了新思路，有助于提升AI系统开发效率。 #论文 #深度神经网络 #测试选择 #成本优化 #早停 #arXiv #AI测试
一篇由Bonan Shen等人撰写的论文《AdaStop: Cost-Aware Early Stopping for DNN Test Selection》在arXiv平台正式提交。该研究聚焦于深度神经网络测试过程中的成本优化问题，提出一种名为AdaStop的早停策略，能够在保证测试质量的前提下，通过动态感知计算资源消耗，智能决定何时终止测试流程，从而显著降低测试成本。论文详细阐述了方法的理论框架与实现原理，并在多个基准数据集上进行了实验验证。该成果为深度学习模型的自动化测试与资源调度提供了新思路，有助于提升AI系统开发效率。 #论文 #深度神经网络 #测试选择 #成本优化 #早停 #arXiv #AI测试
论文提出利用离线强化学习控制LLM智能体约束
近日，一篇题为《Learning to Control LLM Agent Harnesses with Offline Reinforcement Learning》的论文在arXiv平台提交。作者Haiwen Yi和Xinyuan Song提出了一种创新方法，利用离线强化学习（Offline RL）来训练控制策略，从而有效管理大型语言模型（LLM）智能体的行为约束（harness）。与在线学习不同，该方法仅依赖历史数据，无需与环境实时交互即可学习如何引导智能体输出更安全、可控的结果。这一研究为提升LLM智能体在复杂任务中的可靠性提供了新思路，有望降低部署过程中的风险成本，并拓展离线强化学习在智能体控制领域的应用边界。 #LLM #离线强化学习 #智能体控制 #AI安全 #arXiv论文
近日，一篇题为《Learning to Control LLM Agent Harnesses with Offline Reinforcement Learning》的论文在arXiv平台提交。作者Haiwen Yi和Xinyuan Song提出了一种创新方法，利用离线强化学习（Offline RL）来训练控制策略，从而有效管理大型语言模型（LLM）智能体的行为约束（harness）。与在线学习不同，该方法仅依赖历史数据，无需与环境实时交互即可学习如何引导智能体输出更安全、可控的结果。这一研究为提升LLM智能体在复杂任务中的可靠性提供了新思路，有望降低部署过程中的风险成本，并拓展离线强化学习在智能体控制领域的应用边界。 #LLM #离线强化学习 #智能体控制 #AI安全 #arXiv论文
通过可控性-可观测性测试实现深度神经网络的实证最小实现压缩
arXiv上近日公开一篇预印本论文，题为《通过可控性-可观测性测试的深度神经网络经验最小实现压缩》，作者为Anis Hamadouche和Amir Hussain。该研究将控制理论中的可控性与可观测性概念引入深度神经网络压缩领域，旨在通过对网络动态特性的分析，识别并移除冗余结构，从而实现模型的最小化表示，同时保持其原有性能。这一方法属于模型压缩的前沿探索，为降低深度学习模型的存储与计算需求提供了新视角，尤其适用于资源受限的部署场景。目前论文以预印本形式在arXiv发布，并提供PDF与HTML版本供研究社区查阅。 #深度神经网络 #模型压缩 #可控性 #可观测性 #控制理论 #arXiv #AI #机器学习 #论文 #计算效率
arXiv上近日公开一篇预印本论文，题为《通过可控性-可观测性测试的深度神经网络经验最小实现压缩》，作者为Anis Hamadouche和Amir Hussain。该研究将控制理论中的可控性与可观测性概念引入深度神经网络压缩领域，旨在通过对网络动态特性的分析，识别并移除冗余结构，从而实现模型的最小化表示，同时保持其原有性能。这一方法属于模型压缩的前沿探索，为降低深度学习模型的存储与计算需求提供了新视角，尤其适用于资源受限的部署场景。目前论文以预印本形式在arXiv发布，并提供PDF与HTML版本供研究社区查阅。 #深度神经网络 #模型压缩 #可控性 #可观测性 #控制理论 #arXiv #AI #机器学习 #论文 #计算效率
Exogenous Dropout：协变量损坏下时间序列预测的简单强基线方法
近日，研究人员胡浩与艾雪山在arXiv上提交论文，提出一种名为Exogenous Dropout的简单而高效的方法，用于应对协变量损坏场景下的鲁棒时间序列预测。该方法通过随机丢弃外生协变量，模拟输入噪声或缺失情况，显著提升模型在真实数据污染条件下的稳定性与准确性。实验证明，Exogenous Dropout作为预处理或正则化策略，不仅能作为基线工具评估新算法，还在多种基准测试中超越了现有复杂鲁棒方法，为时间序列预测领域提供了一种轻量级且实用的解决方案。 #ExogenousDropout #时间序列预测 #协变量 #鲁棒性 #机器学习 #AI #学术论文 # arXiv
近日，研究人员胡浩与艾雪山在arXiv上提交论文，提出一种名为Exogenous Dropout的简单而高效的方法，用于应对协变量损坏场景下的鲁棒时间序列预测。该方法通过随机丢弃外生协变量，模拟输入噪声或缺失情况，显著提升模型在真实数据污染条件下的稳定性与准确性。实验证明，Exogenous Dropout作为预处理或正则化策略，不仅能作为基线工具评估新算法，还在多种基准测试中超越了现有复杂鲁棒方法，为时间序列预测领域提供了一种轻量级且实用的解决方案。 #ExogenousDropout #时间序列预测 #协变量 #鲁棒性 #机器学习 #AI #学术论文 # arXiv
粒度悖论：时间离散化夸大样本内拟合并加剧样本外误差
2026年7月5日，一篇题为“The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error”的论文在arXiv上提交，作者Hugo Moreira。该论文探讨了时间序列建模中的一个典型悖论：将数据拆分为更细粒度的时间单位（如从月度数据降至日频数据）虽能大幅提升模型在历史样本中的拟合精度，但这种提升具有欺骗性，会显著恶化模型在样本外的预测表现。研究揭示了时间离散化如何导致过拟合和误差放大，警示数据科学家在金融、经济等依赖时序预测的领域慎重选择数据粒度，避免被虚假的拟合效果误导。 #论文 #arXiv #时间序列 #粒度悖论 #数据科学 #预测建模 #统计学 #机器学习
2026年7月5日，一篇题为“The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error”的论文在arXiv上提交，作者Hugo Moreira。该论文探讨了时间序列建模中的一个典型悖论：将数据拆分为更细粒度的时间单位（如从月度数据降至日频数据）虽能大幅提升模型在历史样本中的拟合精度，但这种提升具有欺骗性，会显著恶化模型在样本外的预测表现。研究揭示了时间离散化如何导致过拟合和误差放大，警示数据科学家在金融、经济等依赖时序预测的领域慎重选择数据粒度，避免被虚假的拟合效果误导。 #论文 #arXiv #时间序列 #粒度悖论 #数据科学 #预测建模 #统计学 #机器学习
Weizhe Tang 团队提出几何感知基础设施锚定去噪器用于 UWB 感知与工作区域重建
Weizhe Tang 及其合作者在 arXiv 预印本平台发布了一篇题为“Geometry-Aware Infrastructure-Anchored Denoiser for UWB Sensing and Work-Zone Reconstruction”的研究论文。该工作针对超宽带（UWB）信号在施工区域等复杂环境中受到噪声干扰、影响感知与三维重建精度的问题，提出了一种几何感知基础设施锚定去噪器。该方法利用基础设施的几何结构信息作为锚定参考，设计去噪网络来有效抑制噪声，从而提升 UWB 感知数据的质量和重建结果的可靠性。研究有望为智能建造、自动化作业监测等领域提供新的技术支撑。目前论文已开放 PDF 和 HTML 全文供学界查阅。 #UWB #工作区域重建 #去噪器 #几何感知 #基础设施锚定 #arXiv #学术论文 #智能建造
Weizhe Tang 及其合作者在 arXiv 预印本平台发布了一篇题为“Geometry-Aware Infrastructure-Anchored Denoiser for UWB Sensing and Work-Zone Reconstruction”的研究论文。该工作针对超宽带（UWB）信号在施工区域等复杂环境中受到噪声干扰、影响感知与三维重建精度的问题，提出了一种几何感知基础设施锚定去噪器。该方法利用基础设施的几何结构信息作为锚定参考，设计去噪网络来有效抑制噪声，从而提升 UWB 感知数据的质量和重建结果的可靠性。研究有望为智能建造、自动化作业监测等领域提供新的技术支撑。目前论文已开放 PDF 和 HTML 全文供学界查阅。 #UWB #工作区域重建 #去噪器 #几何感知 #基础设施锚定 #arXiv #学术论文 #智能建造
新方法 Design-CP 利用上下文并行加速蛋白质纳米颗粒设计
一篇题为《Design-CP: Context Parallelism for Design of Protein Nanoparticles》的论文在 arXiv 上发布。该研究由 Lorenzo Tarricone 等三人合作完成，提出了一种名为 Design-CP 的上下文并行方法，旨在优化蛋白质纳米颗粒的设计流程。蛋白质纳米颗粒在疫苗开发、药物递送及生物材料领域具有广阔应用前景，但其计算设计过程往往计算密集且耗时。Design-CP 通过并行处理上下文信息，显著提升了设计效率，同时保持了对纳米颗粒结构特性的精准控制。作者在论文中展示了该方法在多种设计任务上的表现，验证了其在降低计算开销、加速迭代优化方面的潜力。目前该论文提供 PDF 及 HTML 版本，相关代码与数据链接已同步公开，供研究人员复现与扩展。这项成果有望推动蛋白质纳米颗粒的快速理性设计，为生物工程与纳米医学领域提供新的计算工具。 #蛋白质纳米颗粒 #DesignCP #上下文并行 #arXiv #计算生物学 #生物工程 #纳米医学 #加速设计 #并行计算
一篇题为《Design-CP: Context Parallelism for Design of Protein Nanoparticles》的论文在 arXiv 上发布。该研究由 Lorenzo Tarricone 等三人合作完成，提出了一种名为 Design-CP 的上下文并行方法，旨在优化蛋白质纳米颗粒的设计流程。蛋白质纳米颗粒在疫苗开发、药物递送及生物材料领域具有广阔应用前景，但其计算设计过程往往计算密集且耗时。Design-CP 通过并行处理上下文信息，显著提升了设计效率，同时保持了对纳米颗粒结构特性的精准控制。作者在论文中展示了该方法在多种设计任务上的表现，验证了其在降低计算开销、加速迭代优化方面的潜力。目前该论文提供 PDF 及 HTML 版本，相关代码与数据链接已同步公开，供研究人员复现与扩展。这项成果有望推动蛋白质纳米颗粒的快速理性设计，为生物工程与纳米医学领域提供新的计算工具。 #蛋白质纳米颗粒 #DesignCP #上下文并行 #arXiv #计算生物学 #生物工程 #纳米医学 #加速设计 #并行计算
统计有意义的几何与规范对称性破缺理论提出，为智能涌现提供几何框架
近日，一篇题为《Statistically Meaningful Geometry and Gauge Symmetry Breaking: A Geometric Foundation for Scientific Discovery and Intelligence Emergence》的论文在arXiv预印本平台正式提交。该论文由Bing Cheng等三位研究人员共同撰写，提出将统计有意义的几何（Statistically Meaningful Geometry）与规范对称性破缺（Gauge Symmetry Breaking）相融合，构建一个统一的几何基础，旨在解释科学发现过程以及智能涌现现象。研究认为，这种几何框架可能为理解复杂系统中的模式形成、知识发现以及人工智能的涌现特性提供全新的理论视角。目前论文已公开，正等待学术界进一步评审与探讨。 #arXiv #几何理论 #规范对称性 #智能涌现 #科学发现 #人工智能 #理论物理 #复杂系统
近日，一篇题为《Statistically Meaningful Geometry and Gauge Symmetry Breaking: A Geometric Foundation for Scientific Discovery and Intelligence Emergence》的论文在arXiv预印本平台正式提交。该论文由Bing Cheng等三位研究人员共同撰写，提出将统计有意义的几何（Statistically Meaningful Geometry）与规范对称性破缺（Gauge Symmetry Breaking）相融合，构建一个统一的几何基础，旨在解释科学发现过程以及智能涌现现象。研究认为，这种几何框架可能为理解复杂系统中的模式形成、知识发现以及人工智能的涌现特性提供全新的理论视角。目前论文已公开，正等待学术界进一步评审与探讨。 #arXiv #几何理论 #规范对称性 #智能涌现 #科学发现 #人工智能 #理论物理 #复杂系统
有界峰度下确切最坏情况尾概率
据arXiv平台显示，一篇题为《The Exact Worst-Case Tail Probability under Bounded Kurtosis》的数学与统计学论文近日提交并更新。该论文由Xiaoyu Li与其他三位作者共同完成，深入研究了在峰度（衡量分布尾部厚度的重要指标）有界的情况下，尾概率可能达到的最坏情况精确值。通过严谨的理论推导，论文给出了显式的数学表达式，揭示了在给定峰度约束下尾概率的上界。这一成果对于概率论、风险管理、金融保险等领域具有重要的理论指导意义，有助于更好地理解和评估极端事件的发生概率。目前论文已发布第二版，并提供PDF和HTML版本供学界查阅。 #数学 #统计学 #概率论 #尾概率 #峰度 #风险管理 #学术研究 #arXiv
据arXiv平台显示，一篇题为《The Exact Worst-Case Tail Probability under Bounded Kurtosis》的数学与统计学论文近日提交并更新。该论文由Xiaoyu Li与其他三位作者共同完成，深入研究了在峰度（衡量分布尾部厚度的重要指标）有界的情况下，尾概率可能达到的最坏情况精确值。通过严谨的理论推导，论文给出了显式的数学表达式，揭示了在给定峰度约束下尾概率的上界。这一成果对于概率论、风险管理、金融保险等领域具有重要的理论指导意义，有助于更好地理解和评估极端事件的发生概率。目前论文已发布第二版，并提供PDF和HTML版本供学界查阅。 #数学 #统计学 #概率论 #尾概率 #峰度 #风险管理 #学术研究 #arXiv
稳定化高阶影响函数理论论文在arXiv发布
学者Na Liu与合作者近日在arXiv预印本平台提交题为《稳定化的高阶影响函数：一类双线性形式的统计理论》的论文。该研究聚焦于影响函数（influence functions）的推广，针对双线性形式提出了一种稳定化的高阶影响函数，并系统建立了其统计理论。高阶影响函数在统计推断与模型诊断中具有关键作用，但传统方法往往受限于不稳定性。该工作从理论层面给出了一类特殊形式的收敛性与稳健性分析，有望为机器学习、计量经济学等领域的模型评估提供更严谨的数学工具。论文于2026年7月首次提交，后经一次修订，目前提供HTML、PDF及TeX源码下载。 #统计学 #影响函数 #高阶影响函数 #双线性形式 #arXiv #论文 #机器学习 #统计理论 #稳健推断
学者Na Liu与合作者近日在arXiv预印本平台提交题为《稳定化的高阶影响函数：一类双线性形式的统计理论》的论文。该研究聚焦于影响函数（influence functions）的推广，针对双线性形式提出了一种稳定化的高阶影响函数，并系统建立了其统计理论。高阶影响函数在统计推断与模型诊断中具有关键作用，但传统方法往往受限于不稳定性。该工作从理论层面给出了一类特殊形式的收敛性与稳健性分析，有望为机器学习、计量经济学等领域的模型评估提供更严谨的数学工具。论文于2026年7月首次提交，后经一次修订，目前提供HTML、PDF及TeX源码下载。 #统计学 #影响函数 #高阶影响函数 #双线性形式 #arXiv #论文 #机器学习 #统计理论 #稳健推断