论文"Sparse Covariance Neural Networks"被IEEE信号处理汇刊接收

由Andrea Cavallo等人撰写的论文"Sparse Covariance Neural Networks"已被IEEE Transactions on Signal Processing正式接收，计划发表于第74卷，页码3077-3091，在线出版日期为2026年7月17日。该论文的预印本最早于2024年10月提交至arXiv，随后经过两次修订，最终版本于2026年8月发布。论文聚焦稀疏协方差神经网络的设计与应用，在信号处理领域具有创新意义，有望为高维数据分析提供更高效的解决方案。 #学术论文 #神经网络 #稀疏协方差 #信号处理 #IEEE #arXiv #机器学习

SHAP的统计方面

一篇题为《Statistical Aspects of SHAP: Functional ANOVA for Model Interpretation》的学术论文近日在arXiv上发布。该论文由Andrew Herren、P. Richard Hahn和Rafael Alcantara共同撰写，深入探讨了SHAP（SHapley Additive exPlanations）这一模型解释方法的统计理论基础。研究者将SHAP与功能方差分析（Functional ANOVA）框架进行关联，旨在从统计角度阐明SHAP值的数学本质与解释能力。这项工作为理解机器学习模型的可解释性提供了更严谨的统计视角，有助于推动模型解释方法在理论上的规范化发展。 #SHAP #功能ANOVA #模型解释 #机器学习 #统计 #arXiv #可解释AI

基于预训练的自适应核密度估计研究登上 arXiv

一项题为《Adaptive Kernel Density Estimation with Pre-training》的研究论文在 arXiv 平台发布。该论文由 Ruitong Zhang 等人撰写，于 2026 年 5 月首次提交，此后在 6 月和 8 月先后发布第二、第三版本，显示作者对内容进行了持续修订。论文聚焦于将预训练技术引入自适应核密度估计领域，旨在提升密度估计在复杂数据分布下的适应能力与表现。目前该论文提供 PDF、HTML 及 TeX 源码等多种访问方式，并支持通过多种学术工具进行引用和关联研究。该研究对统计机器学习领域中的密度估计问题具有一定参考价值，相关方法与思路值得关注。 #arXiv #论文 #核密度估计 #预训练 #机器学习 #统计方法

单指标强盗问题最优遗憾界研究论文发布

arXiv上近日发布了一篇题为《Optimal Regret for Single Index Bandits》的学术论文，由Devdan Dey等三人合作完成。该论文于2026年5月10日首次提交，后经两次修订，最终版本于同年8月1日上线。研究聚焦于单指标强盗这一在线学习模型，旨在探索在该模型下如何实现理论上的最优遗憾界。该成果对于理解高维数据中的决策问题、优化推荐系统与自适应算法设计具有潜在的理论指导意义。目前论文全文以PDF及HTML格式在arXiv平台开放获取。 #单指标强盗 #最优遗憾 #在线学习 #机器学习 #arXiv #论文 #理论计算机

量子纯态流形上的局部时间黎曼得分匹配研究

近日，一篇题为《Local-Time Riemannian Score Matching on the Quantum Pure-State Manifold》的论文在arXiv平台发布，作者为Jian Xu及其他六位合作者。该研究聚焦于量子纯态流形上的得分匹配问题，引入局部时间黎曼几何框架，为量子态的概率建模与参数估计提供了新思路。得分匹配是机器学习中训练非归一化概率模型的关键技术，将其推广至量子纯态流形，有望提升量子态层析、量子生成模型等任务的表现。论文自2026年5月初次提交，经过多轮修订，最终版本于8月2日更新，并提供PDF、HTML及TeX源码等访问方式，可供研究者引用与检索。 #arXiv #量子计算 #机器学习 #得分匹配 #黎曼几何 #量子态 #论文

Huiming Zhang 等提出重尾奖励下 LLM 对齐的尾感知信息论界限

该论文由 Huiming Zhang 及其他三位作者共同完成，于 2026 年 4 月首次提交至 arXiv，并于同年 8 月更新。研究聚焦于大语言模型（LLM）对齐问题，针对奖励分布呈现重尾特性的场景，提出了一种尾感知的（Tail-Aware）信息论界限。这一理论框架为理解在非标准奖励分布下如何有效对齐模型提供了新的数学工具，对提升 LLM 在复杂实际环境中的安全性和鲁棒性具有潜在指导意义。 #LLM #AI #信息论 #对齐 #重尾分布 #arXiv论文 #机器学习 #理论研究

非参数分布回归重校准论文在arXiv发布

一篇题为《Nonparametric Distribution Regression Re-calibration》的学术论文已提交至arXiv预印本平台。该论文由Ádám Jung等三位研究者合作完成，于2026年2月13日发布第一版，并在同年8月2日更新至第二版。论文围绕非参数分布回归中的重新校准问题展开，属于统计学与机器学习交叉领域。在arXiv上，该论文提供了PDF、HTML实验版及TeX源码等多种格式的全文链接，并支持通过DataCite获取arXiv发布的DOI。页面还集成了NASA ADS、Google Scholar、Semantic Scholar等引文数据库，以及alphaXiv、CatalyzeX、Hugging Face等代码与数据关联工具。此外，论文还关联了Connected Papers、Litmaps等文献探索工具和CORE Recommender推荐服务，便于研究者进行扩展阅读。当前浏览上下文指向2026年2月的cs与stat领域，研究者可通过arXiv平台直接访问和引用该论文。 #arXiv #非参数 #分布回归 #重新校准 #机器学习 #统计学 #学术论文 #预印本

鲁棒特征选择新方法

来自arXiv的一项最新研究提出了一种名为"Beyond Noise"的鲁棒特征选择方法，通过假设检验框架有效应对数据中的噪声干扰。该工作由Mousam Sinha等人完成，论文于2025年11月提交，并在后续版本中持续完善。传统特征选择方法在高噪声环境下容易失效，而新方法利用统计假设检验来识别真正具有预测能力的特征，从而提升模型稳定性和泛化能力。实验表明，该方法在多个基准数据集上优于现有技术，为机器学习、数据科学等领域提供了一种更可靠的预处理工具。该研究已公开全文，并附带代码与实验资源，供学界和工业界进一步验证与应用。 #特征选择 #假设检验 #鲁棒性 #机器学习 #数据科学 #噪声 #学术论文 #arXiv #AI

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

线性分类器偏置项中的良性过拟合研究

论文《Benign Overfitting in Linear Classifiers with a Bias Term》由Yuta Kondo在arXiv上发表，研究线性分类器中引入偏置项后的良性过拟合现象。传统观点认为过拟合会损害模型泛化能力，但近年研究发现，在某些高维线性模型中，模型可以完美拟合训练数据（包括噪声）的同时仍具有良好泛化性能，即“良性过拟合”。该论文重点分析了当分类器包含偏置项时，这一现象是否仍然成立，并给出了理论条件。研究结果表明，在适当假设下，偏置项不影响良性过拟合的边界，但改变了参数估计的几何结构。该工作为理解现代机器学习中过拟合的本质提供了新视角，对高维统计学习理论有重要参考价值。 #机器学习 #过拟合 #线性分类器 #偏置项 #统计学习理论 #arXiv

半参数离散霍克斯模型

研究人员提出了一种半参数离散霍克斯模型，该模型采用坍缩高斯过程先验，旨在更灵活地建模离散时间点过程中的事件触发模式。传统霍克斯模型通常假设参数化触发函数，而新方法通过高斯过程引入非参数成分，能自动学习复杂的时间依赖结构。研究团队展示了该模型在多个合成和真实数据集上的优越性能，特别是在金融交易和社交媒体事件序列分析中，相比标准参数模型具有更好的拟合与预测能力。该工作为事件序列建模提供了新的理论工具，并已通过arXiv平台发布多版本预印本。 #论文 #机器学习 #点过程 #高斯过程 #霍克斯模型 #统计学 #人工智能 #时间序列 #学术研究

彭博社：中国AI攻势为美国模型制造商创造“死亡地带”

彭博社一篇报道以“中国AI闪电战为竞争对手美国模型制造商创造‘死亡地带’”为题，指出中国在人工智能领域的快速推进正给美国大模型企业

arXiv发布"From Global to Local"论文，提出局部后验采样可扩展基准

近日，一篇题为"From Global to Local: A Scalable Benchmark for Local Posterior Sampling"的论文在arXiv预印本平台发布。该论文由Rohan Hitchcock等人撰写，针对局部后验采样方法设计了一个可扩展的基准测试框架，旨在评估算法在不同规模和复杂度下的性能与准确性。局部后验采样是贝叶斯统计与机器学习中的关键方法，该基准为研究者提供了标准化的评估工具，有助于推动相关领域的算法优化与比较。论文还包含了完整的代码与数据链接，并已更新至第二版，体现了研究者的持续改进。 #arXiv #论文 #机器学习 #贝叶斯统计 #后验采样 #基准测试 #AI #统计学

改进kNN图拉普拉斯算子收敛速率

一篇题为“Improved convergence rate of kNN graph Laplacians: differentiable self-tuned affinity”的学术论文近期在arXiv平台发布并多次更新。该研究由Xiuyuan Cheng等人完成，聚焦k近邻（kNN）图拉普拉斯算子的收敛性分析。图拉普拉斯算子是数据流形学习、谱聚类等领域的重要工具，其收敛速率直接影响下游算法效果。传统方法通常采用固定参数的相似度度量，而该研究提出一种可微的自调亲和力机制，让相似度矩阵自适应数据局部的几何特征，从而在理论层面获得更优的收敛速率。论文历经多轮修订，最新版本已补充完整证明与实验验证。该成果对无监督学习的理论分析和算法设计具有潜在贡献。 #机器学习 #图拉普拉斯 #流形学习 #收敛速率 #自调亲和 #arXiv #科研 #数学

机器学习信息论基础研究新进展

近日，一篇题为《机器学习信息论基础》的论文在arXiv预印本平台发布。该论文由Hong Jun Jeon等人撰写，系统探讨了信息论在机器学习中的理论基础。论文从信息论视角出发，深入分析了机器学习模型的学习能力、泛化性能与数据效率之间的内在联系，为理解深度学习等现代机器学习方法提供了新的理论框架。该研究自2024年7月首次提交以来，历经多次修订，最新版本于2026年8月更新。论文的发表有望推动信息论与机器学习交叉领域的进一步发展，为设计更高效、更鲁棒的机器学习算法提供理论指导。 #机器学习 #信息论 #arXiv #理论研究 #深度学习 #AI #论文 #信息论基础

扩散模型中的伪随机流可作为可学习输入影响生成质量

一项新近提交至arXiv的论文提出，扩散模型中的伪随机流并非单纯的随机噪声，而是可作为可学习输入，对生成质量产生直接影响。该研究由Shengzhi Deng及其合作者完成，聚焦于扩散模型内部随机性与生成效果之间的关系。论文认为，在去噪过程中使用的伪随机流具有可训练潜力，通过调整这些隐含输入，模型能够更精细地控制生成结果，从而提升图像等样本的真实感和一致性。这一观点为理解扩散模型的工作机制提供了新视角，也可能为生成式模型的优化策略带来启发。目前论文已发布预印本，并提供PDF和HTML版本供研究社区查阅。 #扩散模型 #AI #生成模型 #伪随机流 #arXiv #机器学习 #人工智能

Fermat Active Laplace Learning 论文发布，提出半监督高光谱图像分类新方法

近日，一篇题为《Fermat Active Laplace Learning for Semi-Supervised Hyperspectral Image Classification》的学术论文在 arXiv 预印本平台上线。该论文由 Vutichart Buranasiri 等人撰写，提出了一种结合主动学习与拉普拉斯学习的半监督分类框架，旨在解决高光谱图像标注样本稀缺的问题。Fermat Active Laplace Learning 方法通过优化标注样本选择策略，并利用拉普拉斯正则化捕捉数据流形结构，从而提升分类精度。该方法在实验中对高光谱图像分类任务展现出了良好性能，有望推动遥感、农业、环境监测等领域的智能分析应用。目前论文全文可在 arXiv 上获取，供同行评议与进一步研究。 #arXiv #高光谱图像 #半监督学习 #主动学习 #拉普拉斯学习 #计算机视觉 #遥感 #论文

arXiv 新研究提出“聚合后校准”方法，保障人类中心评估理论可靠性

近日，一篇题为《Aggregate-then-Calibrate for Human-centered Assessment with Theoretical Guarantees》的论文提交至 arXiv 平台，作者为 Zejun Xie 及另外三位合作者。该研究聚焦人类中心评估场景，提出一种“先聚合、后校准”的框架，旨在为评估过程提供明确的理论保证。论文已附带 PDF 全文及 TeX 源码，可供相关领域研究者下载参考。该工作或对涉及人类反馈、主观评价等场景的模型评估与校准方法产生积极影响。 #arXiv #学术论文 #人类中心评估 #校准方法 #机器学习 #统计理论