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
整数线性规划精确数据驱动逆优化的显式迭代复杂度研究
来自一项关于整数线性规划数据驱动逆优化的学术研究，研究人员Akira Kitaoka在arXiv上提交了论文，首次给出了精确数据驱动逆优化问题的显式迭代复杂度。该研究针对整数线性规划，提出了一种可计算的理论框架，明确了在给定数据下通过逆优化恢复目标函数参数的迭代步数上界。这一成果为数据驱动决策优化提供了理论保证，有助于在供应链、资源分配等场景中更高效地利用历史数据调整模型参数。论文详细分析了算法的收敛性，并给出了具体的复杂度分析结果，对优化理论与机器学习交叉领域具有重要参考价值。 #整数线性规划 #逆优化 #数据驱动 #迭代复杂度 #算法理论 #arXiv #优化
来自一项关于整数线性规划数据驱动逆优化的学术研究，研究人员Akira Kitaoka在arXiv上提交了论文，首次给出了精确数据驱动逆优化问题的显式迭代复杂度。该研究针对整数线性规划，提出了一种可计算的理论框架，明确了在给定数据下通过逆优化恢复目标函数参数的迭代步数上界。这一成果为数据驱动决策优化提供了理论保证，有助于在供应链、资源分配等场景中更高效地利用历史数据调整模型参数。论文详细分析了算法的收敛性，并给出了具体的复杂度分析结果，对优化理论与机器学习交叉领域具有重要参考价值。 #整数线性规划 #逆优化 #数据驱动 #迭代复杂度 #算法理论 #arXiv #优化
从分数近似到分布近似
近日，一篇题为《From Score Approximation to Distribution Approximation in Score-Based Diffusion Models》的学术论文在arXiv预印本平台发布。该研究由Lan V. Truong独立完成，深入探讨了基于分数的扩散模型中，从近似分数函数到近似分布的理论转换。传统方法通常关注分数匹配的近似误差，而该工作试图建立更严格的分布近似误差界，揭示分数近似与生成样本分布质量之间的内在联系。研究为扩散模型的理论分析提供了新视角，可能对提升生成式AI的模型可靠性和性能有重要指导意义。论文已于2026年7月提交，目前可供查阅。 #扩散模型 #分数近似 #分布近似 #生成模型 #AI理论 #arXiv #机器学习
近日，一篇题为《From Score Approximation to Distribution Approximation in Score-Based Diffusion Models》的学术论文在arXiv预印本平台发布。该研究由Lan V. Truong独立完成，深入探讨了基于分数的扩散模型中，从近似分数函数到近似分布的理论转换。传统方法通常关注分数匹配的近似误差，而该工作试图建立更严格的分布近似误差界，揭示分数近似与生成样本分布质量之间的内在联系。研究为扩散模型的理论分析提供了新视角，可能对提升生成式AI的模型可靠性和性能有重要指导意义。论文已于2026年7月提交，目前可供查阅。 #扩散模型 #分数近似 #分布近似 #生成模型 #AI理论 #arXiv #机器学习
经典机器学习在表格数据上的缩放定律基准研究发布
据arXiv预印本平台信息，研究人员Kaihua Ding于2026年7月23日提交了一篇题为《Scaling Laws for Classical Machine Learning on Tabular Data: A Benchmark Study》的论文。该研究系统性地针对经典机器学习算法在表格数据上的缩放行为进行了基准测试，通过实验分析数据规模、模型复杂度及特征维度等维度对模型性能的影响。研究揭示了传统机器学习方法（如随机森林、XGBoost等）在表格任务中的缩放规律，为实际应用中的模型选择与资源分配提供了实证依据。目前该论文以预印本形式公开，正在等待DOI注册。 #机器学习 #表格数据 #缩放定律 #基准测试 #arXiv #预印本 #数据科学 #AI
据arXiv预印本平台信息，研究人员Kaihua Ding于2026年7月23日提交了一篇题为《Scaling Laws for Classical Machine Learning on Tabular Data: A Benchmark Study》的论文。该研究系统性地针对经典机器学习算法在表格数据上的缩放行为进行了基准测试，通过实验分析数据规模、模型复杂度及特征维度等维度对模型性能的影响。研究揭示了传统机器学习方法（如随机森林、XGBoost等）在表格任务中的缩放规律，为实际应用中的模型选择与资源分配提供了实证依据。目前该论文以预印本形式公开，正在等待DOI注册。 #机器学习 #表格数据 #缩放定律 #基准测试 #arXiv #预印本 #数据科学 #AI
Distributional Determinantal Point Process 提出新型排斥聚类方法
近期，一篇题为《Distributional Determinantal Point Process for Repulsive Clustering of Distributions》的学术论文在arXiv预印本平台发布。该研究由Khai Nguyen、Yang Ni、Elizabeth Juarez-Colunga和Peter Mueller共同完成，提出了一种基于分布行列式点过程（DDPP）的排斥聚类框架，旨在解决分布数据的聚类问题。传统聚类方法往往假设簇间相互独立，而DDPP通过引入行列式点过程，能够有效建模簇之间的排斥关系，避免过度重叠，从而生成更清晰、更符合实际分布结构的聚类结果。该方法在理论推导和实验验证上均表现出良好性能，为统计学习、数据科学以及相关领域提供了新的工具。论文已开放全文下载，并附有代码链接，供研究者复现和进一步探索。 #机器学习 #聚类算法 #行列式点过程 #统计学习 #arXiv #学术论文 #数据科学
近期，一篇题为《Distributional Determinantal Point Process for Repulsive Clustering of Distributions》的学术论文在arXiv预印本平台发布。该研究由Khai Nguyen、Yang Ni、Elizabeth Juarez-Colunga和Peter Mueller共同完成，提出了一种基于分布行列式点过程（DDPP）的排斥聚类框架，旨在解决分布数据的聚类问题。传统聚类方法往往假设簇间相互独立，而DDPP通过引入行列式点过程，能够有效建模簇之间的排斥关系，避免过度重叠，从而生成更清晰、更符合实际分布结构的聚类结果。该方法在理论推导和实验验证上均表现出良好性能，为统计学习、数据科学以及相关领域提供了新的工具。论文已开放全文下载，并附有代码链接，供研究者复现和进一步探索。 #机器学习 #聚类算法 #行列式点过程 #统计学习 #arXiv #学术论文 #数据科学
新研究提出Trans-Unet模型，实现高保真3D点云脑折叠形态预测
一篇发表在arXiv预印本平台上的论文提出了一种名为Trans-Unet的深度学习框架，用于高保真3D点云学习，以预测大脑皮层折叠形态。大脑折叠形态是脑科学研究的核心指标之一，传统方法难以在三维空间中完整保留复杂的沟回结构。该研究将Transformer的全局注意力机制与U-Net的局部特征提取能力相结合，直接从3D点云数据中学习并预测皮层折叠形态。实验表明，该方法在准确性和结构保真度上显著优于现有技术，为理解脑发育、诊断神经退行性疾病以及术前规划等应用提供了新的分析工具。 #脑科学 #医学影像 #3D点云 #TransUnet #深度学习 #神经科学 #AI #论文
一篇发表在arXiv预印本平台上的论文提出了一种名为Trans-Unet的深度学习框架，用于高保真3D点云学习，以预测大脑皮层折叠形态。大脑折叠形态是脑科学研究的核心指标之一，传统方法难以在三维空间中完整保留复杂的沟回结构。该研究将Transformer的全局注意力机制与U-Net的局部特征提取能力相结合，直接从3D点云数据中学习并预测皮层折叠形态。实验表明，该方法在准确性和结构保真度上显著优于现有技术，为理解脑发育、诊断神经退行性疾病以及术前规划等应用提供了新的分析工具。 #脑科学 #医学影像 #3D点云 #TransUnet #深度学习 #神经科学 #AI #论文
Longitudinal Random Forests 论文预印本上线，聚焦稀疏不规则轨迹分析
据arXiv平台最新动态，一篇题为“Longitudinal Random Forests for Sparse and Irregular Response Trajectories”的研究论文于2026年7月23日提交上线。该论文由Yangsheng Wang等四位作者完成，由Guifang Fu提交，全文共340KB。研究围绕纵向随机森林方法展开，专门针对稀疏、不规则响应轨迹的建模问题，有望在涉及动态观测数据的统计与机器学习领域引发关注。目前该预印本已开放PDF全文及HTML预览，并接受社区引用与讨论。 #机器学习 #随机森林 #纵向数据 #稀疏数据 #arXiv #预印本 #统计建模 #数据科学
据arXiv平台最新动态，一篇题为“Longitudinal Random Forests for Sparse and Irregular Response Trajectories”的研究论文于2026年7月23日提交上线。该论文由Yangsheng Wang等四位作者完成，由Guifang Fu提交，全文共340KB。研究围绕纵向随机森林方法展开，专门针对稀疏、不规则响应轨迹的建模问题，有望在涉及动态观测数据的统计与机器学习领域引发关注。目前该预印本已开放PDF全文及HTML预览，并接受社区引用与讨论。 #机器学习 #随机森林 #纵向数据 #稀疏数据 #arXiv #预印本 #统计建模 #数据科学
A Defense of the Quadratic Model
Focus to learn more arXiv-issued DOI via DataCite Submission history From: Alexandru Meterez [ view email ] [v1] Thu, 23 Jul 2026 18:02:03 UTC (4,987 KB) Full-text links: Access Paper: View a PDF of the paper titled A Defense of the Quadratic Model, by Alexandru Meterez and 5 other authors 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? ) Connected Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps?
Focus to learn more arXiv-issued DOI via DataCite Submission history From: Alexandru Meterez [ view email ] [v1] Thu, 23 Jul 2026 18:02:03 UTC (4,987 KB) Full-text links: Access Paper: View a PDF of the paper titled A Defense of the Quadratic Model, by Alexandru Meterez and 5 other authors 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? ) Connected 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? ) IArxiv recommender toggle IArxiv Recommender ( What is IArxiv? ) 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 .