目标无关联合嵌入预测控制
一篇题为《面向偏微分方程的目标无关联合嵌入预测控制》的学术论文近日在arXiv预印本平台发布。该研究由Jonathan Gallagher等人完成，旨在探索无预设目标条件下的联合嵌入预测控制方法，用于解决偏微分方程这一在物理、工程等领域广泛存在的复杂系统建模问题。传统方法往往依赖预设目标，而该工作提出一种目标无关（Goal-Agnostic）的框架，通过联合嵌入学习与预测控制结合，提升了模型对偏微分方程动态行为的学习与控制能力。论文于2026年7月21日提交，提供了完整的HTML与TeX源码，目前暂未获取官方DOI。该研究有望为流体力学、气候模拟等领域的实时控制与预测提供全新思路。 #arXiv #预印本 #偏微分方程 #联合嵌入 #预测控制 #机器学习 #物理AI #深度学习 #学术论文 #JonathanGallagher
一篇题为《面向偏微分方程的目标无关联合嵌入预测控制》的学术论文近日在arXiv预印本平台发布。该研究由Jonathan Gallagher等人完成，旨在探索无预设目标条件下的联合嵌入预测控制方法，用于解决偏微分方程这一在物理、工程等领域广泛存在的复杂系统建模问题。传统方法往往依赖预设目标，而该工作提出一种目标无关（Goal-Agnostic）的框架，通过联合嵌入学习与预测控制结合，提升了模型对偏微分方程动态行为的学习与控制能力。论文于2026年7月21日提交，提供了完整的HTML与TeX源码，目前暂未获取官方DOI。该研究有望为流体力学、气候模拟等领域的实时控制与预测提供全新思路。 #arXiv #预印本 #偏微分方程 #联合嵌入 #预测控制 #机器学习 #物理AI #深度学习 #学术论文 #JonathanGallagher
准蒙特卡洛初始化方法用于元强化学习，最新论文亮相arXiv
近日，一篇题为《Quasi-Monte Carlo Initialization for Meta-Reinforcement Learning》的学术论文在预印本平台arXiv上发布。该论文由Julian G. Soltes撰写，于2026年7月21日提交。研究聚焦元强化学习中的参数初始化问题，创新性地引入准蒙特卡洛方法，利用低差异序列生成初始参数，以替代传统随机初始化。这一策略旨在提高元学习器在快速适应新任务时的收敛速度和泛化能力。论文的公开为元强化学习算法优化提供了新的思路，或将推动机器人控制、游戏AI等领域的进一步发展。 #准蒙特卡洛 #元强化学习 #机器学习 #AI #arXiv #学术论文
近日，一篇题为《Quasi-Monte Carlo Initialization for Meta-Reinforcement Learning》的学术论文在预印本平台arXiv上发布。该论文由Julian G. Soltes撰写，于2026年7月21日提交。研究聚焦元强化学习中的参数初始化问题，创新性地引入准蒙特卡洛方法，利用低差异序列生成初始参数，以替代传统随机初始化。这一策略旨在提高元学习器在快速适应新任务时的收敛速度和泛化能力。论文的公开为元强化学习算法优化提供了新的思路，或将推动机器人控制、游戏AI等领域的进一步发展。 #准蒙特卡洛 #元强化学习 #机器学习 #AI #arXiv #学术论文
测量依赖差距
一篇由Jie Zhang撰写的学术论文于2026年7月在arXiv预印本平台发布。该论文题为《Measuring the Dependency Gap: Diagnosing Inter-Column Fidelity in Tabular Generative Models》，聚焦于表格生成模型中列间依赖关系的保真度评估问题。现有评价指标多关注单列分布匹配，却忽视了列间复杂依赖结构对生成质量的影响。作者据此提出“依赖差距”这一度量标准，用于诊断模型在捕捉多列联合分布时的缺陷。通过量化该差距，研究人员能够更准确地识别生成模型在列间相关性上的失真程度，从而为改进算法提供明确方向。该研究为表格数据合成领域提供了更为精细的评估工具，有助于推动合成数据在金融、医疗等对数据完整性要求较高场景中的可靠应用。 #arXiv #论文 #表格生成模型 #依赖分析 #机器学习 #人工智能
一篇由Jie Zhang撰写的学术论文于2026年7月在arXiv预印本平台发布。该论文题为《Measuring the Dependency Gap: Diagnosing Inter-Column Fidelity in Tabular Generative Models》，聚焦于表格生成模型中列间依赖关系的保真度评估问题。现有评价指标多关注单列分布匹配，却忽视了列间复杂依赖结构对生成质量的影响。作者据此提出“依赖差距”这一度量标准，用于诊断模型在捕捉多列联合分布时的缺陷。通过量化该差距，研究人员能够更准确地识别生成模型在列间相关性上的失真程度，从而为改进算法提供明确方向。该研究为表格数据合成领域提供了更为精细的评估工具，有助于推动合成数据在金融、医疗等对数据完整性要求较高场景中的可靠应用。 #arXiv #论文 #表格生成模型 #依赖分析 #机器学习 #人工智能
MotifRole-Diff 论文提出风险最优角色感知分子图扩散方法
近日，一篇题为“MotifRole-Diff: Risk-Optimal Role-Aware Corruption for Masked Molecular Graph Diffusion”的研究论文在 arXiv 上发布。该论文由 Tasfia Nuzhat Ornee 等四位作者完成，提出了一种名为 MotifRole-Diff 的掩码分子图扩散方法，核心思想是通过风险最优的角色感知扰动策略，在分子图生成过程中更精准地捕捉结构基元（motif）及其角色关系。该方法在扩散过程的掩码阶段引入角色感知机制，并依据风险最优准则进行扰动，从而提升分子图生成的合理性与多样性。论文全文已在 arXiv 公开，提供 PDF 及 HTML 预览，可供相关领域研究者参考。 #分子图扩散 #角色感知 #风险管理 #MotifRoleDiff #机器学习 #AI #药物发现
近日，一篇题为“MotifRole-Diff: Risk-Optimal Role-Aware Corruption for Masked Molecular Graph Diffusion”的研究论文在 arXiv 上发布。该论文由 Tasfia Nuzhat Ornee 等四位作者完成，提出了一种名为 MotifRole-Diff 的掩码分子图扩散方法，核心思想是通过风险最优的角色感知扰动策略，在分子图生成过程中更精准地捕捉结构基元（motif）及其角色关系。该方法在扩散过程的掩码阶段引入角色感知机制，并依据风险最优准则进行扰动，从而提升分子图生成的合理性与多样性。论文全文已在 arXiv 公开，提供 PDF 及 HTML 预览，可供相关领域研究者参考。 #分子图扩散 #角色感知 #风险管理 #MotifRoleDiff #机器学习 #AI #药物发现
云端原生评估即服务：微服务架构实现可扩展AI监控与共形保证
来自arXiv的最新论文提出了一种基于云端原生微服务架构的评估即服务（Evaluation-as-a-Service）方案，旨在为大规模AI系统提供可扩展的持续监控，并引入共形预测保证（Conformal Guarantees）来量化不确定性。该架构将评估流程解耦为独立微服务，支持动态扩展与异构模型集成，从而降低部署成本。论文还展示了如何在分布式环境下维持实时性，并通过实验验证了系统在吞吐量和推理准确性上的效果。该研究为AI系统的可靠性运维提供了新的技术路径，尤其适用于需要可验证合规性保障的场景。 #AI监控 #微服务架构 #共形预测 #云端原生 #评估即服务 #arXiv论文 #机器学习运维
来自arXiv的最新论文提出了一种基于云端原生微服务架构的评估即服务（Evaluation-as-a-Service）方案，旨在为大规模AI系统提供可扩展的持续监控，并引入共形预测保证（Conformal Guarantees）来量化不确定性。该架构将评估流程解耦为独立微服务，支持动态扩展与异构模型集成，从而降低部署成本。论文还展示了如何在分布式环境下维持实时性，并通过实验验证了系统在吞吐量和推理准确性上的效果。该研究为AI系统的可靠性运维提供了新的技术路径，尤其适用于需要可验证合规性保障的场景。 #AI监控 #微服务架构 #共形预测 #云端原生 #评估即服务 #arXiv论文 #机器学习运维
利用连续稀疏正则化求解未知对角协方差高斯混合模型
来自法国中央理工学院等机构的研究人员提出了一种新的高斯混合模型参数估计方法，通过连续稀疏正则化技术处理未知对角协方差矩阵问题。传统高斯混合模型在处理高维数据时，协方差矩阵的估计往往面临过拟合和计算复杂度高等挑战。新方法引入连续稀疏化策略，能够在模型估计过程中自动实现协方差矩阵的稀疏化，有效降低模型复杂度并提升泛化能力。论文通过理论分析和数值实验验证了该方法的有效性，在聚类、密度估计等机器学习任务中展现出应用潜力。相关研究已提交至arXiv预印本。 #高斯混合模型 #稀疏正则化 #机器学习 #聚类分析 #密度估计 #协方差估计 #arXiv #中央理工学院
来自法国中央理工学院等机构的研究人员提出了一种新的高斯混合模型参数估计方法，通过连续稀疏正则化技术处理未知对角协方差矩阵问题。传统高斯混合模型在处理高维数据时，协方差矩阵的估计往往面临过拟合和计算复杂度高等挑战。新方法引入连续稀疏化策略，能够在模型估计过程中自动实现协方差矩阵的稀疏化，有效降低模型复杂度并提升泛化能力。论文通过理论分析和数值实验验证了该方法的有效性，在聚类、密度估计等机器学习任务中展现出应用潜力。相关研究已提交至arXiv预印本。 #高斯混合模型 #稀疏正则化 #机器学习 #聚类分析 #密度估计 #协方差估计 #arXiv #中央理工学院
在线定价与分配需求学习及履行成本研究论文发布
近日，一篇题为《Online Pricing and Allocation with Demand Learning and Fulfillment Cost》的研究论文在预印本平台arXiv上发布。该论文由Jianyu Xu等四位作者撰写，于2025年1月首次提交，后经两轮修订。论文聚焦于在线零售中的动态定价与库存分配问题，将需求学习与履行成本纳入统一优化框架。研究旨在帮助企业在不确定需求环境下，通过实时学习客户偏好并合理分配库存，以最小化物流成本并最大化利润。该工作结合了运筹学、机器学习和经济学理论，对电商平台及供应链管理具有理论指导意义。 #arXiv #论文 #运筹学 #机器学习 #定价 #供应链 #需求学习 #履行成本 #学术研究
近日，一篇题为《Online Pricing and Allocation with Demand Learning and Fulfillment Cost》的研究论文在预印本平台arXiv上发布。该论文由Jianyu Xu等四位作者撰写，于2025年1月首次提交，后经两轮修订。论文聚焦于在线零售中的动态定价与库存分配问题，将需求学习与履行成本纳入统一优化框架。研究旨在帮助企业在不确定需求环境下，通过实时学习客户偏好并合理分配库存，以最小化物流成本并最大化利润。该工作结合了运筹学、机器学习和经济学理论，对电商平台及供应链管理具有理论指导意义。 #arXiv #论文 #运筹学 #机器学习 #定价 #供应链 #需求学习 #履行成本 #学术研究
研究提出超越贝叶斯最优的选择性假设检验“犹豫”理论
一篇题为“Ask for More Than Bayes Optimal: A Theory of Indecisions for Selective Hypothesis Testing”的论文在arXiv平台发布，作者为Mohamed Ndaoud等。该论文针对选择性假设检验问题，提出了一套关于“犹豫”决策的理论框架，旨在突破传统贝叶斯最优决策的局限。论文自2024年12月首次提交以来，已更新至第四版（2026年7月），受到统计学、计算机科学及数学等领域关注。这一工作为更稳健的统计推断与决策不确定性分析提供了新视角，可能对多重比较、机器学习中的特征选择等应用产生深远影响。 #论文 #arXiv #统计学 #假设检验 #贝叶斯 #决策理论 #机器学习 #科学研究
一篇题为“Ask for More Than Bayes Optimal: A Theory of Indecisions for Selective Hypothesis Testing”的论文在arXiv平台发布，作者为Mohamed Ndaoud等。该论文针对选择性假设检验问题，提出了一套关于“犹豫”决策的理论框架，旨在突破传统贝叶斯最优决策的局限。论文自2024年12月首次提交以来，已更新至第四版（2026年7月），受到统计学、计算机科学及数学等领域关注。这一工作为更稳健的统计推断与决策不确定性分析提供了新视角，可能对多重比较、机器学习中的特征选择等应用产生深远影响。 #论文 #arXiv #统计学 #假设检验 #贝叶斯 #决策理论 #机器学习 #科学研究
广义高斯时间差分误差
一篇来自arXiv的论文提出了一种名为“广义高斯时间差分误差”的新方法，旨在提升强化学习中对不确定性的建模能力。传统强化学习通常使用均方误差或Huber损失来估计值函数，但该方法未能充分利用回报分布的尾部信息。研究团队通过引入广义高斯分布族中的形状参数，设计了一种灵活的误差函数，能够自适应地调整对异常值和噪声的敏感度。实验表明，该方法在多种连续控制任务和Atari游戏中，相比基线算法，不仅提高了样本效率，还增强了对随机环境与模型偏差的鲁棒性。论文的作者来自韩国科学技术院等机构，该工作有望推动强化学习在安全关键领域的应用。 #强化学习 #不确定性建模 #时间差分误差 #广义高斯分布 #人工智能 #机器学习 #论文速递
一篇来自arXiv的论文提出了一种名为“广义高斯时间差分误差”的新方法，旨在提升强化学习中对不确定性的建模能力。传统强化学习通常使用均方误差或Huber损失来估计值函数，但该方法未能充分利用回报分布的尾部信息。研究团队通过引入广义高斯分布族中的形状参数，设计了一种灵活的误差函数，能够自适应地调整对异常值和噪声的敏感度。实验表明，该方法在多种连续控制任务和Atari游戏中，相比基线算法，不仅提高了样本效率，还增强了对随机环境与模型偏差的鲁棒性。论文的作者来自韩国科学技术院等机构，该工作有望推动强化学习在安全关键领域的应用。 #强化学习 #不确定性建模 #时间差分误差 #广义高斯分布 #人工智能 #机器学习 #论文速递
Conformal Anomaly Detection in Python
近日，一篇题为《Conformal Anomaly Detection in Python: Moving Beyond Heuristic Thresholds with nonconform》的学术论文在arXiv预印本平台发布。该论文由Oliver Hennhöfer等研究者撰写，提出了一种基于保形预测（Conformal Prediction）的异常检测框架，旨在解决传统方法依赖人工设定启发式阈值的问题。作者通过Python库实现，利用非符合度（nonconformity）度量，在保证统计有效性的前提下，自动生成可靠的异常判定边界。该方法适用于无监督和半监督场景，能有效降低误报率，并提升检测结果的可解释性。论文同时提供了代码实现与实验验证，为工业界的异常检测应用提供了新思路。 #保形预测 #异常检测 #Python #机器学习 #统计学习 #论文 #arXiv
近日，一篇题为《Conformal Anomaly Detection in Python: Moving Beyond Heuristic Thresholds with nonconform》的学术论文在arXiv预印本平台发布。该论文由Oliver Hennhöfer等研究者撰写，提出了一种基于保形预测（Conformal Prediction）的异常检测框架，旨在解决传统方法依赖人工设定启发式阈值的问题。作者通过Python库实现，利用非符合度（nonconformity）度量，在保证统计有效性的前提下，自动生成可靠的异常判定边界。该方法适用于无监督和半监督场景，能有效降低误报率，并提升检测结果的可解释性。论文同时提供了代码实现与实验验证，为工业界的异常检测应用提供了新思路。 #保形预测 #异常检测 #Python #机器学习 #统计学习 #论文 #arXiv
论文《Scalable Gaussian process inference via neural feature maps》被撤回
一篇题为《Scalable Gaussian process inference via neural feature maps》的学术论文近日在预印本平台arXiv上被撤回。该论文由Anthony Stephenson提交，最初于2026年5月11日发布，后于2026年7月24日被作者主动撤回。目前论文页面显示“无授权版本”，且未提供撤回的具体原因。该论文原本探讨了通过神经特征映射实现可扩展高斯过程推断的方法，属于机器学习和统计学交叉领域的前沿研究。撤回事件引发学界关注，但具体技术细节或争议尚未公开。 #学术论文 #撤回 #arXiv #高斯过程 #神经网络 #机器学习 #科研伦理
一篇题为《Scalable Gaussian process inference via neural feature maps》的学术论文近日在预印本平台arXiv上被撤回。该论文由Anthony Stephenson提交，最初于2026年5月11日发布，后于2026年7月24日被作者主动撤回。目前论文页面显示“无授权版本”，且未提供撤回的具体原因。该论文原本探讨了通过神经特征映射实现可扩展高斯过程推断的方法，属于机器学习和统计学交叉领域的前沿研究。撤回事件引发学界关注，但具体技术细节或争议尚未公开。 #学术论文 #撤回 #arXiv #高斯过程 #神经网络 #机器学习 #科研伦理
重尾估值下的双边贸易
近日，一篇题为《Bilateral Trade Under Heavy-Tailed Valuations: Minimax Regret with Infinite Variance》的论文在arXiv预印本平台发布。该研究由Hangyi Zhao完成，聚焦于双边贸易机制设计中的估值不确定性。传统贸易模型通常假设估值分布具有有限方差，但现实中的极端值可能使方差无限大。论文首次系统分析了在估值服从重尾分布（即方差无穷大）时，如何设计贸易机制以最小化最大遗憾（minimax regret）。研究通过理论推导，给出了在无限方差条件下的最优策略边界，并揭示了传统机制在此类环境下的性能退化。这一成果为高波动性市场（如金融衍生品、稀有资产交易）的机制优化提供了理论依据，对在线交易平台和拍卖设计具有参考价值。 #经济学 #贸易 #机制设计 #重尾分布 #最小最大遗憾 #arXiv #学术研究
近日，一篇题为《Bilateral Trade Under Heavy-Tailed Valuations: Minimax Regret with Infinite Variance》的论文在arXiv预印本平台发布。该研究由Hangyi Zhao完成，聚焦于双边贸易机制设计中的估值不确定性。传统贸易模型通常假设估值分布具有有限方差，但现实中的极端值可能使方差无限大。论文首次系统分析了在估值服从重尾分布（即方差无穷大）时，如何设计贸易机制以最小化最大遗憾（minimax regret）。研究通过理论推导，给出了在无限方差条件下的最优策略边界，并揭示了传统机制在此类环境下的性能退化。这一成果为高波动性市场（如金融衍生品、稀有资产交易）的机制优化提供了理论依据，对在线交易平台和拍卖设计具有参考价值。 #经济学 #贸易 #机制设计 #重尾分布 #最小最大遗憾 #arXiv #学术研究
用于可扩展和正则化重心计算的Wasserstein梯度流
该论文提出了一种基于Wasserstein梯度流的可扩展且正则化的重心计算方法。Wasserstein重心是概率度量空间中的核心概念，在最优输运理论中具有重要地位，广泛应用于图像处理、机器学习与数据融合等领域。传统Barycenter求解方法计算复杂度高，难以处理大规模数据。本文通过引入Wasserstein梯度流框架，实现了对Barycenter的高效近似计算，同时结合正则化项提升了算法的稳定性与泛化能力。实验表明，该方法在保证精度的前提下，显著降低了计算成本，并具备良好的可扩展性，为大规模几何与统计问题提供了新的求解思路。 #Wasserstein #最优输运 #梯度流 #重心计算 #机器学习 #图像处理 #正则化 #可扩展算法
该论文提出了一种基于Wasserstein梯度流的可扩展且正则化的重心计算方法。Wasserstein重心是概率度量空间中的核心概念，在最优输运理论中具有重要地位，广泛应用于图像处理、机器学习与数据融合等领域。传统Barycenter求解方法计算复杂度高，难以处理大规模数据。本文通过引入Wasserstein梯度流框架，实现了对Barycenter的高效近似计算，同时结合正则化项提升了算法的稳定性与泛化能力。实验表明，该方法在保证精度的前提下，显著降低了计算成本，并具备良好的可扩展性，为大规模几何与统计问题提供了新的求解思路。 #Wasserstein #最优输运 #梯度流 #重心计算 #机器学习 #图像处理 #正则化 #可扩展算法
宽贝叶斯神经网络接近插值时的统计力学研究
一篇题为《Statistical mechanics of extensive-width Bayesian neural networks near interpolation》的学术论文于2025年5月提交至arXiv，并于2026年7月更新。该研究由Jean Barbier等五位作者完成，主要运用统计力学方法分析宽贝叶斯神经网络在接近插值状态下的行为特征。论文探讨了模型在训练数据拟合程度接近临界点时，其泛化性能、参数分布及相变现象，为理解深度学习中过参数化与泛化能力的关系提供了理论视角。该工作属于统计物理与机器学习交叉领域，对神经网络理论分析具有参考价值。 #贝叶斯神经网络 #统计力学 #插值 #机器学习 #深度学习 #理论物理 #arXiv
一篇题为《Statistical mechanics of extensive-width Bayesian neural networks near interpolation》的学术论文于2025年5月提交至arXiv，并于2026年7月更新。该研究由Jean Barbier等五位作者完成，主要运用统计力学方法分析宽贝叶斯神经网络在接近插值状态下的行为特征。论文探讨了模型在训练数据拟合程度接近临界点时，其泛化性能、参数分布及相变现象，为理解深度学习中过参数化与泛化能力的关系提供了理论视角。该工作属于统计物理与机器学习交叉领域，对神经网络理论分析具有参考价值。 #贝叶斯神经网络 #统计力学 #插值 #机器学习 #深度学习 #理论物理 #arXiv
宽浅层神经网络在插值区的最优泛化与学习转变研究
一篇题为《Optimal generalisation and learning transition in extensive-width shallow neural networks near interpolation》的学术论文近日在arXiv预印本平台发布。该研究由Jean Barbier等学者合作完成，聚焦于具有宽隐藏层的浅层神经网络在接近插值状态时的泛化性能与学习动态转变。论文通过理论分析揭示了在过参数化与插值边界附近，模型如何实现最优泛化，并刻画了从欠拟合到过拟合的相变过程。这一发现对理解深度学习中的隐式正则化、泛化边界以及模型容量选择具有重要理论意义，为后续设计更高效的神经网络训练策略提供了新视角。 #神经网络 #泛化 #深度学习 #插值 #学习理论 #AI #机器学习
一篇题为《Optimal generalisation and learning transition in extensive-width shallow neural networks near interpolation》的学术论文近日在arXiv预印本平台发布。该研究由Jean Barbier等学者合作完成，聚焦于具有宽隐藏层的浅层神经网络在接近插值状态时的泛化性能与学习动态转变。论文通过理论分析揭示了在过参数化与插值边界附近，模型如何实现最优泛化，并刻画了从欠拟合到过拟合的相变过程。这一发现对理解深度学习中的隐式正则化、泛化边界以及模型容量选择具有重要理论意义，为后续设计更高效的神经网络训练策略提供了新视角。 #神经网络 #泛化 #深度学习 #插值 #学习理论 #AI #机器学习