研究提出部分训练三层神经网络的函数空间平均场理论

据arXiv预印本及《Journal of Machine Learning Research》2026年刊发，Zhengdao Chen等人发表论文，提出一种函数空间平均场理论，专门用于分析部分训练的三层神经网络。该理论从函数空间视角出发，通过平均场近似研究网络部分参数固定、部分训练时的动态行为，为理解浅层神经网络的训练机理与泛化特性提供了新的数学框架。相关工作已正式发表于JMLR第27卷第52期，标志着该领域理论探索的重要进展。 #机器学习 #神经网络 #平均场理论 #JMLR #深度学习 #AI #理论 #三层网络 #函数空间 #论文

Model-based Bootstrap of Controlled Markov Chains

Focus to learn more arXiv-issued DOI via DataCite Submission history From: Ziwei Su [ view email ] [v1] Tue, 12 May 2026 17:05:59 UTC (236 KB) [v2] Tue, 7 Jul 2026 05:22:23 UTC (231 KB) Full-text links: Access Paper: View a PDF of the paper titled Model-based Bootstrap of Controlled Markov Chains, by Ziwei Su and 2 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-05 Change to browse by: cs math stat References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers Toggle Connected Papers ( What is Conn

ected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

基于扩散模型先验的反问题仪器与噪声参数估计研究

一篇题为《Estimation of instrument and noise parameters for inverse problem based on prior diffusion model》的论文近日在arXiv预印本平台上发布。该研究由学者Jean-François Giovannelli完成，提出了一种在反问题框架中利用扩散模型作为先验信息，同时估计仪器参数与噪声参数的方法。反问题广泛存在于图像处理、信号重建和医学成像等领域，仪器与噪声参数的不确定性常严重影响求解精度。该方法通过引入扩散模型先验，能够更准确地刻画出目标信号的分布特征，从而提升参数估计的稳定性和准确性。论文已更新至第二版本，相关代码与数据可通过平台链接获取。 #arXiv #扩散模型 #反问题 #参数估计 #图像处理 #机器学习 #学术论文

基于扩散模型的吉布斯后验采样器创新逆问题求解方法

近期在arXiv上预印的一篇论文由Jean-François Giovannelli提出了一种基于先验扩散模型的吉布斯后验采样器，用于高效解决逆问题。逆问题在医学成像、遥感等领域广泛存在，传统方法受限于先验选择的灵活性。该方法将扩散模型作为强大的先验分布，通过吉布斯采样从后验分布中迭代采样，显著提升了图像重建等任务的精度与计算效率。实验在多个逆问题基准上验证了其优越性，为贝叶斯推断与逆问题求解提供了新工具，有望推动相关应用领域的发展。 #逆问题 #扩散模型 #吉布斯采样 #贝叶斯推断 #arXiv #研究 #AI

无遗憾高斯过程优化时变函数论文在arXiv发表

一篇题为《No-Regret Gaussian Process Optimization of Time-Varying Functions》的学术论文在arXiv平台公开。该研究由Eliabelle Mauduit等人合作完成，针对现实场景中常见的时变函数优化难题，提出了一种基于高斯过程的无遗憾优化框架。该方法能够在函数随时间动态变化的情况下，通过在线学习机制持续更新代理模型，并理论上保证了累积遗憾的上界。论文经过多次修订，最终版本提供了完整的理论与算法细节，为动态环境下的贝叶斯优化、自适应控制及在线决策等应用领域提供了新的分析工具与算法支持。 #高斯过程 #无遗憾优化 #时变函数 #机器学习 #arXiv #优化算法 #动态系统

EntroPath

据arXiv预印本平台显示，研究者Przemysław Rola于2026年7月提交了题为“EntroPath: Maximum Entropy Path Ensemble Embedding for Manifold Learning”的论文。该工作提出一种基于最大熵原理的路径集成嵌入方法，旨在提升流形学习在高维数据降维与结构发现中的表现。通过构建路径集合并最大化其熵，算法有望更鲁棒地捕捉数据的低维流形结构，为复杂数据的可视化和特征提取提供新思路。论文目前以PDF和HTML格式公开，并已纳入arXiv的计算机科学、定量生物学与统计学等交叉领域浏览。 #流形学习 #最大熵 #EntroPath #数据降维 #机器学习 #arXiv #学术论文

深度Ritz方法实现高维定态薛定谔方程特征学习

arXiv上发表的论文提出了一种基于深度Ritz方法的特征学习框架，用于求解高维定态薛定谔方程。传统数值方法在高维问题中面临维度灾难，而该框架利用神经网络自动学习问题的关键特征，有效提升了求解效率与精度。实验表明，该方法在处理多个高维基准问题时表现出色，计算速度与准确性均优于现有技术。该成果为量子物理领域的复杂问题提供了新的数值工具，也展示了深度学习在科学计算中的巨大潜力。 #深度Ritz方法 #特征学习 #薛定谔方程 #高维方程 #科学计算 #深度学习 #数学物理 #arXiv

因子增强机器学习面板回归研究在arXiv发布

据arXiv预印本平台显示，一篇题为《因子增强机器学习面板回归》（Factor-Augmented Machine Learning Panel Regressions）的论文于2026年7月7日提交。该研究由Andrii Babii、Luca Barbaglia、Eric Ghysels和Jonas Striaukas共同完成。论文提出了一种将因子模型与机器学习方法相结合的面板回归框架，旨在更有效地处理高维面板数据中的因子结构，从而提升预测的准确性与可解释性。该工作融合了传统计量经济学与前沿机器学习工具，为宏观经济预测、金融数据建模等领域提供了新的方法论支持，展现了跨学科研究的潜力。 #因子增强 #机器学习 #面板回归 #arXiv #学术论文 #计量经济学 #高维数据 #金融科技 #新方法

正态均值估计中收缩阈值规则的近似风险最小化研究

近日，arXiv预印本收录了一篇题为“Approximate Risk Minimization Over Shrinking-Thresholding Rules in Normal Mean Estimation”的论文，作者为Wei Jiang。该研究聚焦于正态均值估计这一统计学基础问题，探讨在收缩阈值规则（如软阈值、硬阈值等）下如何实现近似风险最小化。收缩阈值方法在高维数据分析和信号处理中应用广泛，论文可能提出了新的理论框架或风险准则，以优化此类规则的选择和性能。预印本于2026年7月7日提交，为相关领域提供了新的理论视角。 #论文 #arXiv #统计学 #收缩阈值 #正态均值估计 #风险最小化 #高维统计 #预印本

Mengwu Guo 提出微分方程高斯过程逼近的统一视角

研究人员 Mengwu Guo 于2026年7月7日在arXiv预印本平台提交了一篇题为“A unified perspective of Gaussian process approximation for differential equations”的论文。该论文旨在为高斯过程在微分方程求解中的应用提供统一的理论视角，系统梳理并连接了现有多种逼近方法。高斯过程作为一种非参数贝叶斯工具，在科学计算与机器学习领域日益受到关注，而这篇论文提出的统一框架有助于加深对不同方法的理解，并可能推动新的算法设计。目前论文已发布PDF全文和HTML预览，供研究者自由获取。 #高斯过程 #微分方程 #统一视角 #arXiv #科学计算 #机器学习 #数值方法 #论文 #计算数学

张量程序定量高斯过程极限论文在arXiv发布

Andrea Agazzi等三位作者在arXiv预印本平台提交了题为《Quantitative Gaussian-Process limits of Tensor Programs》的论文。该论文于2026年7月7日发布，聚焦于张量程序的高斯过程极限的定量分析，属于机器学习理论前沿研究，涉及计算机科学、数学与统计学等多个学科。论文目前以PDF形式开放获取，为理解深度神经网络的初始化行为与泛化理论提供了新的定量视角。 #arXiv #张量程序 #高斯过程 #机器学习 #深度学习 #预印本 #科技新闻

Closed-form fractional radial links for elliptical Mahalanobis discriminant analysis

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Serhii Zabolotnii Dr. [ view email ] [v1] Tue, 7 Jul 2026 10:02:33 UTC (48 KB) Full-text links: Access Paper: View a PDF of the paper titled Closed-form fractional radial links for elliptical Mahalanobis discriminant analysis, by Serhii Zabolotnii View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: math stat References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connecte

d Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

研究提出基于冰碛物数据的冰川前缘轨迹随机生成方法

一项发表于arXiv预印本的研究提出了一种基于记录数据的轨迹随机生成器，并将其应用于冰川前缘位置波动的模拟分析。冰川前缘的进退是气候变化的重要指示器，但长期连续观测数据较为稀缺。研究人员利用冰碛物样本中保存的历史记录，通过随机生成模型重建冰川位置的潜在变化轨迹，从而量化波动的不确定性并揭示其动态模式。该工作由法国气候与环境科学实验室（LSCE）的Maud MEGRET等人完成，为古气候代用资料的应用和冰川动力学研究提供了新思路。 #冰川 #随机生成器 #冰碛物 #气候模型 #轨迹 #论文 #预印本 #古气候 #地球科学

没有子空间可追踪

据arXiv预印本平台显示，一篇题为“No Subspace to Track: Non-Identifiability and Optimizer State in Low-Rank Training”的论文于2026年7月7日提交。该论文由Noel Thomas撰写，直接针对低秩训练方法中的一个核心理论难题——非可识别性（non-identifiability）进行探讨，并分析了优化器状态（optimizer state）在这一问题中的关键作用。低秩训练是当前高效模型压缩与加速的重要手段，但该研究指出，传统观点下试图追踪特定子空间的做法可能无法实现，这为理解低秩训练的收敛行为与模型性能提供了新的理论视角。论文的发现对于未来优化低秩训练算法、改进参数更新策略具有重要的指导意义。 #低秩训练 #非可识别性 #优化器状态 #机器学习 #深度学习 #arXiv论文 #模型压缩 #理论分析

层次贝叶斯模型混合权重后验分布精确计算论文发布

日前，研究者Georgy Meshcheryakov在arXiv预印本平台提交了一篇题为“Exact computation of posterior distribution of mixture weights in hierarchical Bayesian models”的论文。该论文围绕层次贝叶斯模型中混合权重的后验分布计算问题，提出了一种精确求解的方法。层次贝叶斯模型在机器学习与统计推断中应用广泛，混合权重的估计是其中的核心环节。传统方法多依赖于近似采样，而该论文的方案

组合学习的函数空间二分法

Arkaprabha Ganguli等人在arXiv发表最新论文，提出组合学习的函数空间二分法，从理论上严格证明神经正切核在需要组合多个子任务的学习场景中，相比最优解存在指数级别的次优性。该研究揭示了NTK在处理复杂结构化问题时的固有局限，为理解深度学习表示效率与理论边界提供了新视角。论文于2026年7月提交。 #神经正切核 #组合学习 #深度学习 #理论 #机器学习 #AI #研究 #arXiv

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

凸近似框架论文

近日，Fabian Schneider、Tapio Helin 和 Leila Taghizadeh 在 arXiv 预印本平台提交了一篇题为《A Convex Approximation Framework for Neural Likelihood-Based Bayesian Inverse Problems》的论文。该研究提出了一种新颖的凸近似框架，专门用于处理基于神经似然的贝叶斯逆问题。贝叶斯逆问题在科学计算、工程和机器学习等领域扮演关键角色，但求解过程常涉及高维复杂分布，计算成本高昂。作者通过引入凸优化技术，在保持近似精度的同时显著提升了求解的稳健性和效率。论文还讨论了该框架与现有神经似然模型（如归一化流等）的兼容性，为不确定量化和高维参数推断提供了新的理论工具。目前该论文已开放预览，相关代码和数据可能后续发布，以推动该领域的发展。 #论文 #贝叶斯逆问题 #凸近似 #神经网络 #机器学习 #arXiv #科学计算 #不确定性量化 #优化算法

Separation Capacity of Scattering Networks on Low-Dimensional Datasets

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Konstantin Häberle [ view email ] [v1] Tue, 7 Jul 2026 09:25:58 UTC (23 KB) Full-text links: Access Paper: View a PDF of the paper titled Separation Capacity of Scattering Networks on Low-Dimensional Datasets, by Konstantin H\"aberle and Helmut B\"olcskei View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: cs math stat References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) C