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

新研究揭示核差异估计的极小极大下界

来自arXiv的一篇预印本论文，作者Jose Cribeiro-Ramallo等人，正式研究了核差异估计的极小极大下界问题，涵盖最大均值差异（MMD）、希尔伯特-施密特独立性准则（HSIC）和核Stein差异（KSD）三种常用统计量。该工作为这些核方法在假设检验与分布比较中的最优性提供了理论下限，有助于理解其统计效率和样本复杂度。论文于2026年7月27日提交，目前处于arXiv预印本状态，尚未正式发表。 #arXiv #核方法 #MMD #HSIC #KSD #统计学习 #极小极大下界

非平稳动态定价研究

arXiv平台近日收录了一篇题为《非平稳动态定价：自适应性与最优性》的学术论文。该研究由Feiyu Jiang等人完成，聚焦于市场需求动态变化场景下的定价策略优化问题。传统动态定价模型多假设市场环境平稳，而实际中消费者行为、竞争态势等因素常呈现非平稳特征。论文提出一种新型自适应定价算法，能在不依赖未来信息的前提下，动态调整价格以逼近最优收益，同时从理论上证明了该算法在非平稳环境中的性能上界。这一成果对电商、共享经济、机票酒店实时定价等领域具有重要理论指导意义，为应对不确定市场环境提供了可验证的解决方案。 #动态定价 #非平稳 #自适应算法 #最优性 #运筹学 #机器学习 #收益管理 #学术研究 #arXiv

随机森林分布分裂准则新研究

Silas Koemen 在 arXiv 上提交了题为《随机森林的分布分裂准则：扩展、收缩与均值分裂的鲁棒性》的论文，系统研究了随机森林算法中分裂准则的改进方法。该工作提出了分布分裂准则的多种扩展形式，深入分析了收缩策略在分裂过程中的作用，并验证了均值分裂方法在噪声环境下的鲁棒性。研究旨在提升随机森林模型的泛化能力和稳定性，为集成学习算法提供新的理论支撑。论文于2026年7月26日提交，相关代码和数据可通过arXiv平台获取。 #机器学习 #随机森林 #分裂准则 #论文 #arXiv #统计学 #计算机科学

从单条轨迹学习切换非线性动力系统

来自 arXiv 预印本的最新研究，Sunny G.W. Wang 与 Hemant Tyagi 提出了一种从单一轨迹中学习切换非线性动力系统的新方法。切换动力系统是描述复杂系统行为的重要模型，其状态在不同模式间动态切换。传统学习方法往往需要多条轨迹或大量数据，而该研究探索了在仅有单条观测序列时，如何有效辨识系统参数与切换模式。这项工作结合了非线性动力学与机器学习技术，有望在机器人控制、生物系统建模、自动驾驶等领域提供更高效的系统辨识方案。论文已发布于 arXiv，并提供了 PDF 版本供开放获取。 #arXiv #机器学习 #动力系统 #系统辨识 #非线性 #人工智能 #科研

Firefox 新标签页重大升级

Mozilla 为 Firefox 新标签页带来罕见升级，推出由 AI 新闻阅读器 Particle 驱动的每日填字游戏。该游戏自动提取当日关键新闻并生成谜题，线索均源自最新资讯，用户可随时点击相关文章查看上下文，并利用提示功能辅助作答。游戏每日更新，不仅限于浏览器内，还可通过直接链接在其他网页体验。Mozilla 希望通过此类将新闻消费与益智游戏结合的设计，让每次打开新标签页都能获得额外价值。目前该功能正逐步向全球用户推出，部分国家和地区已开放体验，早期用户可在 Firefox 153 及以上版本的 about:config 中手动启用。此举标志着 Mozilla 正将 AI 技术从实验室转化为用户日常场景，新标签页正从一个空白画布变为信息枢纽。在浏览器行业加速整合 AI 的浪潮中（如 Edge 集成 Copilot、Chrome 测试 Gemini 辅助），Firefox 这一更新旨在平衡隐私保护与技术创新的同时提升竞争力。 #Firefox #AI #填字游戏 #新标签页 #浏览器 #Mozilla #新闻游戏化 #科技资讯

双时间尺度分层强化学习研究提出弹性操作新方法

近日，arXiv 预印本平台公开了一项名为《Two-Timescale Hierarchical Reinforcement Learning for Resilient Operations》的研究。该论文由 Young Hyun Cho 等四位学者共同撰写，针对系统在复杂环境中应对突发干扰的需求，提出了双时间尺度分层强化学习框架。通过区分快慢两个时间尺度的决策，智能体能够在保持长期目标的同时对短期扰动做出快速调整，从而显著提升系统的弹性操作能力。该论文于 2026 年 7 月 26 日提交，尚未分配正式 DOI 编号。成果可为机器人控制、自动驾驶、智能电网等高鲁棒性场景提供理论支撑。目前全文已在 arXiv 开放获取。 #强化学习 #分层强化学习 #弹性操作 #arXiv #AI #机器学习 #机器人 #智能控制