A Statistical Difference between Single-Layer Learning and Hierarchical Learning in Wide Neural Networks

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Sumio Watanabe [ view email ] [v1] Sun, 26 Jul 2026 00:11:54 UTC (10 KB) Full-text links: Access Paper: View a PDF of the paper titled A Statistical Difference between Single-Layer Learning and Hierarchical Learning in Wide Neural Networks, by Sumio Watanabe 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 .

随时有效的协变量平衡确认方法

一篇题为《Anytime-Valid Confirmation of Covariate Balance for Prespecified Corrections》的论文在arXiv预印本平台发布，作者为Seungjin Choi。该研究提出了一种新方法，用于在因果推断或观察性研究中，实时验证协变量平衡是否满足预设修正的要求。传统方法往往依赖固定样本量的检验，而该工作引入“随时有效”的置信序列，允许研究者持续监测平衡性，无需预先指定停止时间。这对于保障修正策略的有效性、提升结果可靠性具有重要意义，尤其适用于大规模数据流或动态决策场景。论文还探讨了该方法在统计推断中的理论性质和应用前景。 #arXiv #统计学 #协变量平衡 #因果推断 #预设修正 #在线检验 #置信序列 #研究论文

语义观测核的识别与学习

arXiv 上近日公开了一篇由 Matthew Dixon 提交的研究论文，题为《语义观测核的识别与学习：部分观测、均匀恢复与极小极大极限》。该工作聚焦于在部分观测条件下如何识别并学习语义观测核，探讨了均匀恢复的可行性以及极小极大理论极限。研究为理解不确定环境下的核方法提供了新视角，对统计学习理论中部分观测系统的建模与分析具有潜在贡献。论文目前以预印本形式发布，可供学术界审阅。 #语义观测核 #部分观测 #均匀恢复 #极小极大 #统计学习 #arXiv #机器学习 #理论 #论文

论Gaffke界的阶条件最优性

一篇题为《On the Order-Conditional Optimality of Gaffke's Bound》的学术论文近日在 arXiv 平台发布。该论文作者为 George Bissias 与另一位合作者，提交日期为 2026 年 7 月 25 日。论文主要研究 Gaffke 界的阶条件最优性，属于数学、统计学与计算机科学交叉领域。目前 arXiv 已提供该论文的 PDF、HTML 及 TeX 源码版本，并附带多种学术引用和推荐工具，可供研究人员下载和参考。 #arXiv #论文 #数学 #统计学 #GaffkeBound #学术 #2026

固定效应因果森林异质性衰减问题获交叉拟合校正新方法

近日，一篇题为《Attenuated Heterogeneity in Fixed-Effects Causal Forests, and a Cross-Fitted Correction》的论文在arXiv预印本平台上线。作者Harry Aytug提交的该研究指出，在运用固定效应因果森林进行异质性处理效应估计时，可能会产生异质性衰减的问题，即估计的异质性程度被低估。为此，论文提出了一种交叉拟合（cross-fitting）校正技术，旨在修正这一偏差，从而提升因果推断的准确性与可靠性。该工作融合了计量经济学与机器学习方法，为面板数据等固定效应场景下的因果效应异质性分析提供了新思路。 #因果森林 #固定效应 #异质性 #交叉拟合 #计量经济学 #机器学习 #因果推断 #arXiv #预印本

Mirror Langevin diffusions: Convergence rates and Markov chain approximations

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Soumik Pal [ view email ] [v1] Fri, 24 Jul 2026 20:03:54 UTC (50 KB) Full-text links: Access Paper: View a PDF of the paper titled Mirror Langevin diffusions: Convergence rates and Markov chain approximations, by Benjamin Capdeville and 2 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-07 Change to browse by: 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

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

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? ) 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 .

SS-RS-GD 不等式获解决，Binghui Peng 提交论文

研究人员 Binghui Peng 于2026年6月16日在 arXiv 预印本平台提交了一篇题为“A Resolution of the SS--RS--GD Inequalities”的论文。该论文集中探讨了 SS、RS 和 GD 三类不等式的求解问题，这些不等式在数学、计算机科学与统计学等交叉领域具有重要理论价值。论文提供了 PDF 及 HTML 格式的全文，供学术界开放获取与查阅。这一成果有望为相关不等式理论的发展提供新的研究视角，并推动其在优化、概率论等方向的应用。 #BinghuiPeng #SSRSGD #不等式 #arXiv #数学 #计算机科学 #统计学 #研究

贝叶斯优化实现高效多学科设计

来自法国研究团队的一篇论文提出，利用贝叶斯优化方法进行多学科设计，旨在提升复杂系统设计效率。该研究被2026年5月在法国举办的CSMA 17会议接收，作者包括Nathalie Bartoli、Thierry Lefebvre、Rémi Lafage、Paul Saves、Youssef Diouane和Joseph Morlier。贝叶斯优化是一种高效的全局优化技术，特别适用于计算成本高昂的工程设计问题，有望在航空航天、汽车等领域的多学科耦合设计中发挥重要作用。 #机器学习 #优化 #多学科设计 #贝叶斯优化 #学术论文 #工程 #AI

Mixing Configurations for Downstream Prediction

该论文《Mixing Configurations for Downstream Prediction》由Juntang Wang等四位作者提交至arXiv预印本平台。论文首次于2025年10月22日发布，并于2026年7月17日更新第二版。研究聚焦于如何通过混合配置策略提升下游预测任务的性能，属于机器学习领域的前沿探索。论文现提供PDF、HTML及TeX源码等多种格式，并附有引用工具、代码关联及社区讨论链接，便于学术交流与复现。目前该论文已在cs和stat分类下浏览，相关引用和推荐工具可进一步扩展其影响力。 #arXiv #论文 #机器学习 #下游预测 #混合配置 #JuntangWang #学术研究 #预印本

不平衡标签聚合模型

该研究提出了一种面向不平衡标签聚合的新模型，重点解决少数类检测问题。在真实世界数据中，标签分布往往严重失衡，多数类样本占据主导，导致传统聚合方法对少数类识别能力不足。论文通过对标签聚合过程的重新建模，增强了模型对少数类样本的敏感度与准确性，旨在改善机器学习在医疗诊断、欺诈检测等关键场景下的应用效果。相关工作已在arXiv上以预印本形式公开，作者包括Gabriel Singer等五人。 #机器学习 #不平衡标签 #少数类检测 #标签聚合 #arXiv #AI #数据科学

基于频率的储层计算方法新论文发布

arXiv平台近日上线了一篇题为《Frequency-Based Reservoir Computing》的研究论文，作者为Arthur S Powanwe。该论文提交于2026年7月27日，目前正在等待注册，尚未正式发表。论文聚焦于基于频率的储层计算技术，属于机器学习与计算神经科学交叉领域的前沿探索，为时间序列预测、信号处理等任务提供了新的理论视角。摘要中暂未披露具体实验细节或性能对比，但该研究方向有望提升传统储层计算对复杂动态系统的建模能力。论文提供PDF全文及HTML预览，并接受社区引用与讨论。 #机器学习 #储层计算 #频率 #学术论文 #arXiv

新论文提出代理估计诊断与调整方法，提升统计推断可靠性

近日，一篇题为“proxymate: Diagnosis and Adjustment of Proxy Estimates for Reliable Inference”的研究论文在arXiv预印本平台上发布。该研究由Alexandra N. M. Darmon等四位学者共同完成，投稿日期为2026年7月27日。论文聚焦于统计推断中代理变量估计的可靠性问题，提出了一种名为“proxymate”的新框架，用于系统诊断代理估计中的偏差，并对其进行调整，从而得到更稳健的推断结果。该方法有望在流行病学、经济学、社会科学等依赖代理变量进行因果推断的领域发挥重要作用。目前，论文的完整PDF及源码已通过arXiv开放获取，供研究人员参考与复现。 #arXiv #论文 #统计推断 #代理变量 #因果推断 #方法学 #科研新闻