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
伪标签在高维高斯混合数据自训练线性分类器中的作用
近日，一篇题为《伪标签在高维高斯混合数据自训练线性分类器中的作用》的论文在arXiv上发布。该研究由Takashi Takahashi完成，主要针对高维高斯混合模型数据分布，理论分析了自训练过程中伪标签对线性分类器性能的影响。论文推导了伪标签如何改变模型的收敛性、泛化误差及决策边界，并给出了相应的理论保证。研究发现，在特定条件下伪标签能有效提升自训练效果，但也会引入偏差。该工作为理解半监督学习中的自训练机制提供了重要理论支撑，并对实际应用中伪标签策略的设计具有指导意义。 #机器学习 #半监督学习 #自训练 #伪标签 #高维统计 #线性分类器 #理论分析 #arXiv
近日，一篇题为《伪标签在高维高斯混合数据自训练线性分类器中的作用》的论文在arXiv上发布。该研究由Takashi Takahashi完成，主要针对高维高斯混合模型数据分布，理论分析了自训练过程中伪标签对线性分类器性能的影响。论文推导了伪标签如何改变模型的收敛性、泛化误差及决策边界，并给出了相应的理论保证。研究发现，在特定条件下伪标签能有效提升自训练效果，但也会引入偏差。该工作为理解半监督学习中的自训练机制提供了重要理论支撑，并对实际应用中伪标签策略的设计具有指导意义。 #机器学习 #半监督学习 #自训练 #伪标签 #高维统计 #线性分类器 #理论分析 #arXiv
V-fold Jackknife方法用于半参数推断
近日，研究人员Yi Li及其合作者在arXiv平台提交了一篇题为《The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands》的论文。该论文提出了一种基于V-fold Jackknife的重抽样方法，用于半参数模型的统计推断。该方法能够高效地进行方差估计、构造置信区间以及同时置信带，在降低计算复杂度的同时保持了推断的稳健性。论文系统阐述了该方法的理论性质，并通过数值模拟和实例验证了其有效性。这一工作为半参数推断提供了一种实用且可靠的新工具，对生物统计、计量经济学等领域的实践具有参考价值。 #统计 #半参数 #VfoldJackknife #方差估计 #置信区间 #同时置信带 #arXiv #科研论文 #重抽样 #推断方法
近日，研究人员Yi Li及其合作者在arXiv平台提交了一篇题为《The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands》的论文。该论文提出了一种基于V-fold Jackknife的重抽样方法，用于半参数模型的统计推断。该方法能够高效地进行方差估计、构造置信区间以及同时置信带，在降低计算复杂度的同时保持了推断的稳健性。论文系统阐述了该方法的理论性质，并通过数值模拟和实例验证了其有效性。这一工作为半参数推断提供了一种实用且可靠的新工具，对生物统计、计量经济学等领域的实践具有参考价值。 #统计 #半参数 #VfoldJackknife #方差估计 #置信区间 #同时置信带 #arXiv #科研论文 #重抽样 #推断方法
arXiv 新论文提出混合符号谱正则化方法
来自 Peng Zhao 的论文《Beyond Negative-Ridge Endpoints: Mixed-Sign Spectral Regularization via Negative-Shifted Gradient Descent》于 2026 年 7 月 24 日提交至 arXiv。该论文聚焦于谱正则化领域，提出了一种新颖的负偏移梯度下降方法，以实现混合符号谱正则化，从而超越传统的负脊端点方法。论文目前处于 pending registration 状态，相关分类涵盖计算机科学、数学和统计学。该工作为机器学习中的正则化技术提供了新的方向。 #arXiv #论文 #机器学习 #正则化 #梯度下降 #谱正则化 #混合符号
来自 Peng Zhao 的论文《Beyond Negative-Ridge Endpoints: Mixed-Sign Spectral Regularization via Negative-Shifted Gradient Descent》于 2026 年 7 月 24 日提交至 arXiv。该论文聚焦于谱正则化领域，提出了一种新颖的负偏移梯度下降方法，以实现混合符号谱正则化，从而超越传统的负脊端点方法。论文目前处于 pending registration 状态，相关分类涵盖计算机科学、数学和统计学。该工作为机器学习中的正则化技术提供了新的方向。 #arXiv #论文 #机器学习 #正则化 #梯度下降 #谱正则化 #混合符号
通过熵曲率揭示图神经网络的局部
近日，一篇题为《Local-Global Geometric Insights for Graph Neural Networks via Entropic Curvature》的论文在arXiv预印本平台发布。该研究由Rachid Caich与Yassine Abbahaddou共同完成，提出利用熵曲率（Entropic Curvature）为图神经网络（GNN）提供局部与全局几何层面的新洞察。传统GNN往往侧重于局部邻域聚合，难以捕捉图的整体拓扑结构。作者通过引入熵曲率这一来自信息几何的概念，构建了一种能够同时反映图局部曲率与全局结构特征的框架，有望提升GNN在节点分类、图分类等任务中的表现，并增强模型的可解释性。论文还展示了理论推导与实验验证，表明该方法在多个基准数据集上具有竞争力。该工作为图神经网络与几何深度学习交叉领域提供了新思路。 #图神经网络 #熵曲率 #几何深度学习 #arXiv #AI #机器学习 #信息几何
近日，一篇题为《Local-Global Geometric Insights for Graph Neural Networks via Entropic Curvature》的论文在arXiv预印本平台发布。该研究由Rachid Caich与Yassine Abbahaddou共同完成，提出利用熵曲率（Entropic Curvature）为图神经网络（GNN）提供局部与全局几何层面的新洞察。传统GNN往往侧重于局部邻域聚合，难以捕捉图的整体拓扑结构。作者通过引入熵曲率这一来自信息几何的概念，构建了一种能够同时反映图局部曲率与全局结构特征的框架，有望提升GNN在节点分类、图分类等任务中的表现，并增强模型的可解释性。论文还展示了理论推导与实验验证，表明该方法在多个基准数据集上具有竞争力。该工作为图神经网络与几何深度学习交叉领域提供了新思路。 #图神经网络 #熵曲率 #几何深度学习 #arXiv #AI #机器学习 #信息几何