从Glauber动力学学习高斯图模型

来自arXiv的一篇论文提出了一种从Glauber动力学中学习高斯图模型的新方法，旨在实现无需混合且信号最优的学习。作者Vignesh Tirukkonda和Gautam Dasarathy的研究表明，该方法能够在不需要传统马尔可夫链混合时间的前提下，有效恢复图结构，并在信号强度方面达到最优性。该工作为从动态数据中学习图模型提供了新的理论保证，对高维统计学习和大规模图模型推断具有重要参考价值。 #高斯图模型 #Glauber动力学 #无混合学习 #信号最优 #统计学习 #图模型 #机器学习 #arXiv论文

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

隐藏曲率的代价：赌博凸优化的Ω̃(d^{5/4}√T)下界

赌博凸优化是机器学习中的重要范式，其难点在于学习器仅能通过损失函数值进行决策，无法获取梯度信息。近日，一篇提交至arXiv的论文提出了该领域的一个新下界。作者Nived Rajaraman证明了，在考虑隐藏曲率的情况下，任何算法在维度为d、时间范围为T的问题上，其累积遗憾至少为Ω̃(d^{5/4}√T)。这一结果显著改进了此前已知的下界，揭示了曲率结构对在线优化问题本质难度的影响，为设计更高效、更具鲁棒性的算法提供了理论基准。该论文于2026年7月发布，并已开放PDF全文。 #赌博凸优化 #下界 #机器学习 #理论计算机科学 #优化 #曲率 #遗憾界 #arXiv

代数签名

近日，一篇题为《Algebraic Signatures for Structural Learning in Probability Tensors》的学术论文在arXiv平台发布。该研究由Akihiro Maeda等人共同完成，提出了一种利用代数签名（Algebraic Signatures）来学习概率张量结构的新方法。概率张量广泛应用于机器学习和统计学领域，但其结构学习面临计算复杂度和可解释性挑战。该研究通过引入代数工具，旨在更高效地揭示高维概率张量中的潜在结构，有望推动张量分解、图模型学习等相关领域的发展。目前论文以PDF和HTML形式公开，并开放TeX源码和许可信息。 #arXiv #机器学习 #概率张量 #代数签名 #结构学习 #科研论文 #AI #数据科学

使用不精确分数的采样可处理性研究

一篇由Anming Gu、Kevin Tian、Hubert Yang和Yusong Zhu共同撰写的学术论文《The Tractability Landscape of Sampling with Inexact Scores》已通过arXiv预印本平台发布。该研究聚焦于在分数（scores）不精确的情况下进行采样的计算复杂性理论问题，系统刻画了不同误差水平下采样算法的可处理性边界。论文探讨了当模型提供的分数存在近似误差时，如何保障采样过程的准确性和效率，这对于当前依赖分数函数（如扩散模型中的评分匹配）的生成式AI算法具有重要理论指导意义。该工作为理解近似采样算法的可行性提供了严谨的理论框架，有望推动机器学习与统计计算领域的发展。 #arXiv #论文 #采样 #机器学习 #统计 #扩散模型 #生成模型 #理论计算

分布式多类分类理论极限研究

一项由Ioannis Papageorgiou等四位学者合作完成的研究，探讨了分布式多类分类任务在仅依赖简单二分类决策时的根本性能限制。该研究论文已提交至arXiv预印本平台，系统分析了当系统中各节点只能进行二分类判断时，实现多类分类的理论边界与信息瓶颈。研究结果表明，在分布式环境下，简单的二分类组合存在不可逾越的准确率上限，这对设计高效的分布式机器学习系统、物联网分类算法以及联邦学习模型具有重要理论指导意义。该工作为未来探索更优的分布式分类策略提供了数学基础。 #分布式分类 #多类分类 #二分类 #机器学习 #理论研究 #arXiv #IoannisPapageorgiou

PAC-Bayes 商参数空间边界

近日，一篇题为《PAC-Bayes Bounds on Quotient Parameter Spaces: Geometry-induced Implicit-Bias Priors》的学术论文引发关注。该研究由 Nicola Aladrah 等人完成，聚焦于机器学习理论中的泛化边界问题。论文提出在商参数空间（quotient parameter spaces）上推导 PAC-Bayes 边界，利用参数空间的几何结构引入隐式偏差先验（implicit-bias priors）。这一方法有别于传统先验假设，通过挖掘数据流形或对称性带来的几何特质，为理解模型泛化能力提供了新视角。该工作有望推动统计学习理论中先验选择与几何先验的交叉研究，相关成果已在 arXiv 预印本平台发布，目前处于待注册 DOI 阶段。 #机器学习 #PACBayes #几何先验 #泛化理论 #论文 #统计学习 #arXiv

基于电子健康记录的可计算表型算法中采用二元银标签

一项新研究探讨了如何在基于电子健康记录（EHR）的可计算表型算法中有效利用二元银标签。研究团队提出，通过引入弱监督学习中的银标签概念，可在减少人工标注成本的同时提升算法性能。该方法将二元银标签作为辅助监督信号，结合少量专家标注的金标签，训练出能够准确识别患者表型的模型。实验结果显示，该策略在多个疾病表型识别任务中优于传统仅依赖金标签的方法，尤其适用于样本量有限或标注资源稀缺的临床场景。这一成果有望推动大规模EHR数据的自动化分析，助力精准医疗与临床决策支持系统的发展。 #电子健康记录 #表型算法 #弱监督学习 #银标签 #医疗AI #精准医疗 #临床决策 #数据挖掘

不确定性量化在力学中的统一贝叶斯视角

arXiv 上预印了一篇题为“Uncertainty quantification in mechanics: A unified Bayesian perspective”的论文，由 Sascha Ranftl 等四位作者撰写。该论文从贝叶斯统计的视角，系统梳理了力学领域中的不确定性量化问题，提出了一种统一的理论框架。研究旨在整合传统概率方法和现代机器学习技术，以更有效地处理力学建模、仿真及实验数据中的随机性和认知不确定性。该方法有望在结构健康监测、材料力学性能预测和复杂系统可靠性分析等工程应用中发挥重要作用。论文已发布在 arXiv 平台，提供 PDF 及 HTML 版本供开放获取。 #不确定性量化 #贝叶斯方法 #力学 #论文 #arXiv #统计学习 #工程应用

无需反向传播的模型引导

一篇发表于arXiv的论文提出“无反向传播的诱导”（Elicitation without Backpropagation）方法，通过优化潜在后验来引导模型行为。传统模型微调依赖反向传播进行梯度更新，而该方法绕过这一过程，直接在潜在空间中进行后验优化，从而实现对模型输出的定向调控。实验表明，该技术可在不修改原始网络参数的情况下，有效调整模型的生成偏好、减少不良输出，并提升特定任务表现。这一思路有望降低模型对齐的计算成本，并增强对大型黑箱模型的控制能力。 #arXiv #AI对齐 #模型调控 #无反向传播 #潜在后验 #机器学习 #论文

arXiv 发表新论文《优化遗憾》，探索决策算法新方向

据 arXiv 预印本平台信息，一篇题为《Optimizing Regret》（优化遗憾）的论文于 2026 年 7 月 21 日提交，作者为 Irene Aldridge。该论文聚焦于决策理论中“遗憾”概念的优化问题，旨在通过数学建模与算法设计，最小化决策过程中的累积遗憾值。论文可能涉及在线学习、博弈论或强化学习等领域的核心方法，为提升智能体在不确定环境下的决策质量提供新思路。目前全文以 PDF 和 HTML 形式开放获取，并附有相关代码和数据链接。此项研究或对人工智能、经济学及统计学中的动态决策问题产生潜在影响。 #arXiv #论文 #优化遗憾 #决策理论 #AI #机器学习 #在线学习

基于深度学习的粘弹性赫兹接触中时间分辨粘附力预测

一篇题为《基于深度学习的粘弹性赫兹接触中时间分辨粘附力预测》的研究论文于2026年7月21日提交至arXiv预印本平台。该论文由Ali Maghami等四位作者完成，旨在利用深度学习模型预测粘弹性材料在赫兹接触中的粘附力随时间演变的行为。研究结合了粘弹性理论与神经网络，可应用于材料科学、摩擦学及接触力学领域。论文当前以PDF和HTML格式提供，并附有相关代码与数据链接。 #arXiv #深度学习 #粘附力 #粘弹性 #赫兹接触 #材料科学 #机器学习

机器学习概率天气预报模型对尺度感知评分规则的敏感性研究

近日，一篇题为《机器学习概率天气预报模型对尺度感知评分规则的敏感性》的论文在arXiv预印本平台发布。该研究由Simon Lang等人完成，旨在探讨机器学习驱动的概率天气预报模型对不同尺度感知评分规则的响应特性。传统评分规则难以全面评估模型在多尺度天气特征上的表现，而尺度感知规则能更精细地反映模型在不同空间尺度上的预测能力。研究通过系统性实验揭示了模型对评分规则选择的敏感性，并分析了其影响机制。该成果为开发更鲁棒、更准确的概率天气预报模型提供了理论指导，对提升气象预报的可靠性和实用性具有重要意义，进一步推动了机器学习在物理科学领域的应用。 #机器学习 #天气预报 #概率模型 #尺度感知 #气象学 #AI #arXiv #科学论文

边界自适应PINNs方法提出：椭圆型Dirichlet问题的先验误差界与平均逃逸时间应用

arXiv平台近日发布了一篇由Nathanael Tepakbong等人撰写的论文，提出了一种边界自适应物理信息神经网络（PINNs）方法，用于求解椭圆型Dirichlet问题。研究团队推导了在$H^2(\Omega)$范数下的先验误差界，并展示了该方法在平均逃逸时间计算中的应用。该工作为PINNs处理边界条件提供了新的理论保证，有望推动偏微分方程数值求解与随机过程分析领域的交叉研究。 #PINNs #边界自适应 #椭圆型方程 #误差界 #平均逃逸时间 #arXiv #机器学习 #计算数学

贝叶斯预测推断的警示案例

一篇题为《贝叶斯预测推断的警示案例》的预印本论文近日在arXiv平台上线。该论文由Emanuela Dreassi等四位作者共同撰写，通过一系列具体案例，系统揭示了贝叶斯预测推断中常见的错误与误解。研究指出，先验分布选择不当、模型设定错误以及预测区间解释偏差等问题，可能导致预测结果严重偏离实际。作者通过模拟和实证分析，展示了这些陷阱对推断结论的潜在影响，并提出了相应的规避建议。该工作旨在为统计学家和数据科学家提供实践参考，帮助他们在应用贝叶斯方法进行预测时更加审慎，从而提升模型的可靠性和解释力。论文目前以PDF和HTML形式开放获取。 #贝叶斯 #预测推断 #统计 #机器学习 #论文 #数据科学 #arXiv

研究人员提出可证明的扩散后验采样方法用于线性逆问题

来自arXiv预印本的消息，Yuchen Jiao等研究者近日提交了一篇题为“Provable diffusion-based posterior sampling for linear inverse problems via DDIM”的论文。该工作针对图像去模糊、补全等线性逆问题，提出了一种基于扩散模型的后验采样方法。具体而言，作者利用去噪扩散隐式模型（DDIM）实现了可证明的采样过程，在确保理论收敛性的同时，显著提升了采样效率。该方法为扩散模型在逆问题中的应用提供了严格的数学保障，有望推动医学成像、科学计算等领域的发展。论文目前可在arXiv上获取，并已提交至相关数据库。 #论文 #AI #扩散模型 #线性逆问题 #DDIM #后验采样 #arXiv

广义最小二乘核化张量分解方法发表

该论文《Generalized Least Squares Kernelized Tensor Factorization》由Mengying Lei与Lijun Sun撰写，已发表于期刊《Pattern Recognition》（卷114342，2026年）。研究提出一种结合广义最小二乘与核方法的张量分解新框架，旨在提升高维稀疏数据中潜在因子提取的鲁棒性与预测精度。论文通过理论推导与实验验证，展示了该方法在多模态数据建模中的有效性，为机器学习与模式识别领域提供了新的分析工具。 #张量分解 #广义最小二乘 #核方法 #模式识别 #机器学习 #数据科学 #arXiv #论文

自适应切空间缩减的低秩进化深度神经网络

一篇来自arXiv的论文提出了一种名为“低秩进化深度神经网络通过自适应切空间缩减”的新方法。该方法旨在解决深度神经网络参数冗余和训练成本高昂的问题，通过结合低秩矩阵分解与进化算法，并引入自适应切空间缩减技术，在保证模型性能的同时显著降低了模型的参数量和计算复杂度。研究团队通过实验验证了该方法的有效性，展示了其在减少模型规模方面的优势，为高效深度学习模型的构建提供了新的思路。该论文目前可在arXiv上获取，并包含完整的理论推导与实验分析。 #深度神经网络 #低秩分解 #进化算法 #自适应切空间 #AI #机器学习 #arXiv #论文

有符号证据流

近日，研究人员 Jeffery Opoku 和 David Banahene 在预印本平台 arXiv 上提交了一篇题为《Signed Evidence Flow: Conflict-Aware and Stability-Calibrated Data Analysis》的论文。该论文于2026年6月首次发布，并在7月进行了更新。研究提出了一种名为“有符号证据流”的新型数据分析框架，重点解决数据整合中证据冲突的识别与处理问题，同时引入了稳定性校准机制，以提升分析结果的可靠性与鲁棒性。该工作有望为数据科学、人工智能及复杂系统分析领域提供新的方法论基础，尤其适用于多源异构数据场景下的推理与决策支持。目前论文已通过开放获取形式提供全文，并附有代码和数据链接。 #学术论文 #arXiv #数据分析 #冲突感知 #稳定性校准 #数据科学 #人工智能 #证据流 #多源数据 #方法论

廉价置换检验方法提出，大幅降低计算成本

一篇题为《廉价置换检验》的学术论文近日在arXiv上发布。该研究由Carles Domingo-Enrich等学者完成，提出了一种新的统计检验方法，旨在降低传统置换检验的高昂计算开销。置换检验广泛应用于假设检验中，但需大量重抽样，计算成本极高。新方法通过优化算法设计，能在保持统计有效性的同时显著减少计算量，有望在生物信息学、社会科学等领域得到广泛应用。论文已更新至第三版，提供了完整的数学证明和实验验证。 #arXiv #统计学 #置换检验 #算法优化 #计算效率 #学术论文

arXiv 发布新论文《Data Reliability Scoring》，探讨数据可靠性量化方法

据 arXiv 平台信息，一篇题为《Data Reliability Scoring》的研究论文近日正式上线。该论文由 Yiling Chen 等四位学者共同撰写，当前版本为 v2（2026 年 7 月更新）。论文聚焦于如何对数据可靠性进行量化评分，旨在为机器学习、统计学等领域提供可信度评估标准。研究提出了新的评分框架，有助于提升数据驱动系统的鲁棒性和可信性。论文全文可通过 arXiv 访问，并提供了 HTML、TeX 源码等多种查看方式。 #arXiv #数据可靠性 #论文 #机器学习 #统计学 #AI #学术研究