Minimax and Bayes Optimal Best-Arm Identification 论文发布

来自东京大学的研究者 Masahiro Kato 在 arXiv 上发布了一篇题为“Minimax and Bayes Optimal Best-Arm Identification”的论文。该研究聚焦于多臂老虎机问题中的最佳臂识别（Best-Arm Identification）任务，从极小化极大（Minimax）和贝叶斯最优（Bayes Optimal）两个视角提出了新的理论框架。论文分析了在有限样本下识别最优臂的样本复杂度下界，并设计了能够同时达到极小化极大最优和贝叶斯最优的算法。这一成果为高效决策、A/B测试及在线推荐系统等领域提供了理论支撑。论文自提交以来已更新多个版本，目前可通过 arXiv 查阅全文。 #论文 #机器学习 #多臂老虎机 #最佳臂识别 #极小化极大 #贝叶斯最优 #算法 #理论计算机科学

Gromov-Wasserstein 距离助力图预测

一篇题为《Conformal Graph Prediction with Z-Gromov-Wasserstein Distances》的学术论文在 arXiv 预印本平台发布，作者包括 Gabriel Melo 等四人。该论文自2026年3月起经历了多个版本修订，最新版本于7月17日更新。研究聚焦于利用 Z-Gromov-Wasserstein 距离进行共形图预测，旨在提升图结构数据中的预测可靠性与泛化能力。论文提供了详细的 PDF 和 HTML 版本供下载，并附带 BibTeX 引用信息。尽管具体技术细节未在页面展示，但该工作结合了图论、最优传输与共形预测等前沿方法，有望推动相关领域的发展。 #arXiv #论文 #图预测 #机器学习 #最优传输 #共形预测 #学术

后向共形预测新突破

一篇题为《通过非一致性分数变换改进后向共形预测》的论文近日在arXiv预印本平台发布。该研究由Junxian Liu等学者完成，针对机器学习中后向共形预测方法的局限性，提出了一种基于非一致性分数变换的改进方案。共形预测是一种提供统计保证的预测框架，而后向共形预测常用于时间序列等任务。传统方法在分数变换上存在效率不足或覆盖不准确的问题。论文通过设计新的分数变换策略，提升了预测集的紧凑性和覆盖率，同时保持了计算效率。实验表明，该方法在多个基准数据集上优于现有技术，有望在金融时序预测、医学诊断等高风险领域发挥重要价值。这一成果为共形预测理论提供了新的优化思路，并推动了可靠机器学习的发展。 #论文 #arXiv #机器学习 #共形预测 #统计学习 #预测方法 #数据科学 #后向共形预测

局部图结构助力流形维度估计，新方法提升高维数据建模精度

来自 arXiv 的一篇新论文提出了一种通过局部图结构估计流形维度的方法。高维数据中流形维度的准确估计是机器学习和数据科学的关键问题，传统方法往往对噪声和采样密度敏感。该研究利用局部图结构的几何特性，构建了一个鲁棒的维度估计框架，能够在不同数据分布下稳定地推断出潜在流形的内在维度。实验表明，该方法在合成数据和真实数据集上均优于现有算法，为后续降维、聚类和可视化任务提供了更可靠的基础。论文由 Zelong Bi 等人撰写，已更新至第五版。 #流形学习 #维度估计 #图结构 #机器学习 #高维数据 #arXiv #学术论文

论文提出自相关场景下在线变点检测的高效似然比检验

一篇题为“自相关存在下在线变点检测的高效似然比检验”的研究论文近日在arXiv预印本平台发布。该研究由Yuntang Fan等人完成，针对时间序列数据中常见的自相关现象，提出了一种改进的似然比检验方法，用于在线监测数据流的突变点。传统变点检测方法在序列独立假设下效果良好，但实际数据往往存在时间依赖结构，导致误报率升高或检测延迟。新方法通过调整统计量和阈值计算，在保持计算效率的同时显著提升了自相关条件下的检测精度。实验表明，该方法在多种模拟与真实数据集上均优于现有基准。该工作为金融、工业监控、生物信号等领域的数据实时分析提供了更可靠的工具。 #论文 #变点检测 #自相关 #似然比检验 #时间序列 #机器学习 #数据科学 #arXiv

经验空间分布函数的维数不变一致收敛性及空间深度估计量研究

近日，一篇题为《经验空间分布函数及其相关空间深度估计量的维数不变一致收敛性》的数学统计论文在arXiv预印本平台发布。该研究由Felix Gnettner等学者完成，主要探讨了在空间统计学中，经验空间分布函数及其衍生的空间深度估计量在高维空间中的一致收敛性质。传统上，随着维数增加，许多统计量的收敛性会退化，但该工作证明了在特定条件下，这些估计量能够实现与维数无关的均匀一致收敛，从而为高维空间数据分析提供了坚实的理论支撑。这一结果对于稳健统计、多元数据分析以及空间点过程等领域具有重要理论价值，有望推动相关方法在更复杂数据结构中的应用。 #数学 #统计学 #空间统计 #高维数据 #一致性 #收敛性 #稳健估计 #arXiv #理论研究

可交换性条件下统计证据的聚合研究

近日，一篇题为《Aggregation of Statistical Evidence under Exchangeability》的学术论文在arXiv预印本平台提交。该论文由Antonin Schrab等四位作者共同完成，聚焦于在可交换性假设下如何有效聚合多个统计证据。研究涉及统计推断、数学证明与计算机科学交叉领域，可能对假设检验、贝叶斯融合及集成学习方法产生启发。目前论文已开放PDF全文与TeX源码，并提供引用和语义搜索工具。arXiv平台强调开放、社区与数据隐私价值观，该研究也体现了这一理念。 #统计 #机器学习 #可交换性 #证据聚合 #arXiv #学术论文 #统计学

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

ASK-NN

arXiv 上发布了一篇名为《ASK-NN: An Asymmetric Nearest-Neighbor Test that detects Distribution Drifts in Natural Language》的论文。该研究由 Sergey Zakharov 等人提出，旨在解决自然语言处理中数据分布漂移的检测问题。ASK-NN 是一种非对称最近邻测试方法，能够有效识别训练数据和测试数据之间的分布变化，对于保证模型在实际应用中的鲁棒性具有重要意义。论文目前以 PDF 和 HTML 形式在 arXiv 上开放获取，并提供了代码链接等资源。 #arXiv #论文 #自然语言处理 #分布漂移 #非对称最近邻 #机器学习 #AI #学术研究

生成模型能把握时间吗？合成时序表格数据的时间感知评估

一项由Kiwan Kwon等学者提交至arXiv的研究探讨了生成模型在合成时序表格数据时对时间特性的保持能力。论文提出了一种时间感知评估方法，系统衡量现有生成模型在捕捉时间依赖、序列模式和趋势方面的表现。初步发现表明，多数模型虽然在数据分布拟合上表现良好，但在保留时间动态一致性方面存在显著不足，可能影响后续基于合成数据的分析和决策。该研究为时序数据生成的质量评估提供了新视角，并指出了优化方向。 #生成模型 #时序数据 #合成数据 #时间感知 #评估方法 #AI研究 #机器学习 #数据质量

研究揭示1比特压缩感知中归一化对二元迭代硬阈值算法的作用

据arXiv预印本平台显示，研究人员Arya Mazumdar等人提交了一篇题为《论归一化在1比特压缩感知二元迭代硬阈值算法中的作用》的论文。该论文聚焦于1比特压缩感知这一高效信号获取与重构方法，深入分析了归一化技术如何影响二元迭代硬阈值算法的性能。1比特压缩感知在无线通信、图像处理等领域具有重要应用，而该研究有望为优化算法、提升信号重构精度提供理论依据。论文于2026年7月17日首次提交，目前尚未公开详细内容，但已引起相关领域研究者关注。 #论文 #压缩感知 #信号处理 #归一化 #算法 #arXiv #数学 #机器学习

扩散模型在评分不敏感下仍可精确恢复混合权重

一篇来自arXiv的预印本论文指出，尽管扩散模型中的评分函数对某些数据特征不敏感，但这些模型仍能准确恢复混合分布中的组件权重。研究团队通过对扩散模型生成过程的理论分析，发现评分函数的不敏感性主要影响高频结构，而对全局成分比例（即混合权重）的估计具有鲁棒性。该发现为理解扩散模型在生成和表征学习中的行为提供了新视角，尤其对处理多模态混合数据具有重要指导意义。实验验证了理论预测，表明即使评分信息受限，扩散模型也能保持权重恢复的准确性。 #扩散模型 #机器学习 #生成模型 #评分函数 #混合权重 #AI研究 #arXiv论文

线性与逻辑回归中的仅预测蒸馏

一篇题为"Prediction-Only Distillation in Linear and Logistic Regression"的论文于2026年7月16日提交至arXiv预印本平台，作者包括Hien Dang等人。该研究聚焦于在线性回归和逻辑回归模型中，仅利用模型的预测输出来进行知识蒸馏的方法，探讨了其理论性质与潜在优势，为模型压缩与简化提供了新的思路。 #论文 #arXiv #机器学习 #知识蒸馏 #线性回归 #逻辑回归 #模型压缩

主动请求住院床位

一篇题为《Proactive Inpatient Bed Requests for Emergency Department Admissions》的学术论文近日在arXiv上发表。研究针对急诊科患者入院时床位资源紧张的问题，提出了一种主动请求住院床位的策略，旨在通过提前预测和协调，缩短患者等待时间、提高急诊流转效率。论文作者包括QIan Cheng等人，具体方法涉及利用历史数据与实时信息进行预测性床位分配。该研究为医疗资源管理提供了新的数据驱动视角，有望在降低急诊拥堵、改善患者体验方面发挥作用。 #急诊 #住院床位 #医疗管理 #预测模型 #人工智能 #资源优化 #arXiv #论文 #医疗改革

基于拉普拉斯最优传输的聚类感知匹配

一篇发表于arXiv的论文提出了名为“聚类感知匹配通过拉普拉斯最优传输”的新方法。该方法旨在解决传统匹配算法忽略数据内在聚类结构的问题，通过引入拉普拉斯最优传输理论，将聚类信息显式地融入匹配过程中。论文作者Gabriel Samberg等人详细推导了理论框架，并在多个基准数据集上验证了其有效性。实验表明，该方法在保持计算效率的同时，显著提升了匹配精度和对噪声的鲁棒性。该研究有望推动计算机视觉、图形分析及数据融合等领域的应用发展。 #论文 #机器学习 #最优传输 #聚类 #拉普拉斯 #数据匹配 #arXiv #深度学习

Deep and Probabilistic Models for Gene Regulatory Network Inference

一篇题为《Deep and Probabilistic Models for Gene Regulatory Network Inference》的学术论文于2026年7月17日提交至arXiv预印本平台。该论文由Claudia Skok Gibbs撰写，主要探讨利用深度学习和概率模型对基因调控网络进行推断的方法。基因调控网络是理解细胞功能和疾病机制的关键，传统推断方法在数据规模和噪声方面面临挑战。本文提出的模型结合了深度学习的表达能力和概率模型的因果推断优势，有望提升网络结构的准确性和鲁棒性。该研究为计算生物学和生物信息学领域提供了新的工具，未来可能助力精准医学和药物靶点发现。目前论文以PDF和HTML形式开放获取。 #基因调控网络 #深度学习 #概率模型 #生物信息学 #计算生物学 #arXiv #学术论文

一种可解释的超参数敏感性分析的博弈论框架

一篇题为《哪些超参数重要？一种可解释的超参数敏感性分析的博弈论框架》的论文近日在arXiv上发布。该研究由Nyi Nyi Aung等人提出，旨在解决机器学习模型调参中“哪些超参数真正关键”这一难题。作者引入博弈论中的Shapley值思想，构建了一个统一框架，能够量化每个超参数对模型性能的边际贡献，并给出可解释的敏感性分析结果。该方法不仅适用于传统机器学习算法，也可扩展到深度学习模型，帮助研究者快速定位影响模型表现的核心超参数，从而减少调参成本。论文同时提供了代码和数据以支持实验复现。 #机器学习 #超参数优化 #博弈论 #可解释AI #论文

重新训练寻求稳定信号

一篇题为《Retraining Seeks Stable Signals》的学术论文于2026年7月17日提交至arXiv预印本平台，作者为Moritz Hardt。该论文聚焦于机器学习模型在重新训练过程中如何识别并获取稳定的信号，旨在解决模型迭代更新时因数据分布变化或噪声干扰导致性能波动的问题。研究可能涉及对训练策略、正则化技术或信号处理方法的改进，以提升模型的鲁棒性和泛化能力。目前论文处于注册阶段，尚未发布完整内容，但已引起相关领域研究者关注。 #机器学习 #重新训练 #稳定信号 #ArXiv #学术论文 #模型鲁棒性 #人工智能

问两次，看两次：提示回响解决视觉语言模型中的问题优先悖论

一篇提交至arXiv的论文提出“提示回响”（Prompt Echoing）方法，旨在解决视觉语言模型（VLM）中存在的“问题优先悖论”。该悖论是指模型在接收问题后再查看图像时，推理表现出现异常。作者通过让模型“问两次、看两次”的策略，即重复提问并重新观察图像，有效改善了模型在多模态任务中的对齐与理解能力。该研究由Rakshanda Hassan Abhinandan等三位作者完成，论文全文已在arXiv上开放预览，并附带HTML、TeX源码及引用工具。这项工作为提升视觉语言模型的推理一致性和鲁棒性提供了新思路，可能对未来的多模态AI系统设计产生重要影响。 #视觉语言模型 #提示回响 #问题优先悖论 #多模态 #AI #arXiv #论文

硬规则与软偏好

据 arXiv 预印本显示，研究人员提出了一种结合的新方法，用于生成个性化打包清单。该方法桥接了推理、学习和优化三个领域，旨在解决现实场景中规则约束与用户偏好之间的平衡问题。论文详细介绍了框架设计和实验验证，展示了该方法在个性化推荐任务中的有效性，为自动旅行准备等应用提供了新思路。 #学术 #arXiv #个性化推荐 #推理 #学习 #优化 #打包清单 #AI #机器学习

进化算法引导大语言模型设计物理信息神经网络

一篇发表在arXiv上的研究提出了一种新方法，利用进化算法引导大语言模型（LLMs）自动设计物理信息神经网络（PINNs）。该方法针对传统PINN设计依赖人工经验、效率低下等问题，通过进化算法优化网络结构，结合LLM的生成能力，实现自动化、高效的神经网络架构搜索。研究团队表示，该方法在多个物理方程驱动的科学计算任务中表现出色，显著提升了模型的预测精度和泛化能力。该工作为科学计算与人工智能的交叉融合提供了新思路，有望降低物理驱动深度学习模型的设计门槛，加速在流体力学、材料科学等领域的应用进展。目前论文已开放预印本，相关代码和实验细节有待后续公开。 #进化算法 #大语言模型 #物理信息神经网络 #PINN #科学计算 #深度学习 #AI #机器学习 #arXiv