连接外源与内源变量重要性的新方法
Yucheng Zhao 与 Brian D. Williamson 近日在 arXiv 上提交了一篇题为《Bridging extrinsic and intrinsic variable importance》的论文，提出了一种将外源变量重要性与内源变量重要性进行统一建模的理论框架。传统上，变量重要性评估分为依赖模型的外源方法和基于数据分布的内源方法，两者各有优劣且难以直接比较。该研究通过引入一种新的数学桥接机制，能够在不同重要性度量之间建立对应关系，从而为特征选择、模型解释和因果推断提供更一致的视角。论文还讨论了该方法在统计学习中的潜在应用，并给出了理论保证。该工作属于统计机器学习的前沿探索，有望推动可解释 AI 领域的发展。 #变量重要性 #外源重要性 #内源重要性 #统计学习 #可解释AI #arXiv #机器学习 #特征选择
Yucheng Zhao 与 Brian D. Williamson 近日在 arXiv 上提交了一篇题为《Bridging extrinsic and intrinsic variable importance》的论文，提出了一种将外源变量重要性与内源变量重要性进行统一建模的理论框架。传统上，变量重要性评估分为依赖模型的外源方法和基于数据分布的内源方法，两者各有优劣且难以直接比较。该研究通过引入一种新的数学桥接机制，能够在不同重要性度量之间建立对应关系，从而为特征选择、模型解释和因果推断提供更一致的视角。论文还讨论了该方法在统计学习中的潜在应用，并给出了理论保证。该工作属于统计机器学习的前沿探索，有望推动可解释 AI 领域的发展。 #变量重要性 #外源重要性 #内源重要性 #统计学习 #可解释AI #arXiv #机器学习 #特征选择
Fast-Mixing Markov Chains without Gradients arXiv 论文发布
一篇题为《Fast-Mixing Markov Chains without Gradients》的学术论文已在 arXiv 平台发布，作者为 Robert Kutri 与 Robert Scheichl。论文聚焦于无梯度条件下的马尔可夫链快速混合问题，相关研究涉及数学与统计领域。该预印本以 PDF 和 HTML 形式提供，并附带 TeX 源码，供研究者下载和引用。目前论文暂未提供具体的方法细节与实验数据，但标题表明其核心方向是在不依赖梯度信息的前提下加速马尔可夫链的收敛过程，对采样算法和计算统计具有潜在参考价值。 #论文 #arXiv #数学 #统计 #马尔可夫链
一篇题为《Fast-Mixing Markov Chains without Gradients》的学术论文已在 arXiv 平台发布，作者为 Robert Kutri 与 Robert Scheichl。论文聚焦于无梯度条件下的马尔可夫链快速混合问题，相关研究涉及数学与统计领域。该预印本以 PDF 和 HTML 形式提供，并附带 TeX 源码，供研究者下载和引用。目前论文暂未提供具体的方法细节与实验数据，但标题表明其核心方向是在不依赖梯度信息的前提下加速马尔可夫链的收敛过程，对采样算法和计算统计具有潜在参考价值。 #论文 #arXiv #数学 #统计 #马尔可夫链
arXiv 论文证明一比特均值估计最优阶无需交互
一篇来自Jiachen Hu等研究者的论文在arXiv预印本平台发布，标题为“Interaction Is Not Necessary for Order-Optimal 1-Bit Mean Estimation”。该研究聚焦于分布式统计估计中的通信效率问题，探讨在一比特通信约束下，进行均值估计时是否必须依赖节点间的交互才能达到最优阶的估计精度。作者通过理论分析表明，在最优阶意义上，交互并非必要，这一结论对降低分布式学习系统的通信开销具有理论指导意义。论文的提交日期为2026年8月，目前可在arXiv上获取全文，属于计算机科学、数学与统计学交叉领域的前沿成果。 #arXiv #论文 #机器学习 #分布式估计 #一比特通信 #均值估计 #统计学习 #通信效率
一篇来自Jiachen Hu等研究者的论文在arXiv预印本平台发布，标题为“Interaction Is Not Necessary for Order-Optimal 1-Bit Mean Estimation”。该研究聚焦于分布式统计估计中的通信效率问题，探讨在一比特通信约束下，进行均值估计时是否必须依赖节点间的交互才能达到最优阶的估计精度。作者通过理论分析表明，在最优阶意义上，交互并非必要，这一结论对降低分布式学习系统的通信开销具有理论指导意义。论文的提交日期为2026年8月，目前可在arXiv上获取全文，属于计算机科学、数学与统计学交叉领域的前沿成果。 #arXiv #论文 #机器学习 #分布式估计 #一比特通信 #均值估计 #统计学习 #通信效率
c-Rectified flow 的计算与统计保证研究发布
一篇题为《Computational and Statistical Guarantees of the c-Rectified flow》的学术论文在arXiv上公开。该研究由Leda Wang等学者完成，主要探讨了c-Rectified flow这一生成模型的理论性质。论文从计算和统计两个角度，为该模型的收敛性、样本复杂度等关键问题提供了严格的理论保证，弥补了相关领域在理论分析上的空白。这一成果有望推动基于流的生成模型在更复杂场景下的应用，并为后续算法设计提供理论支撑。 #机器学习 #生成模型 #cRectifiedFlow #理论保证 #arXiv #人工智能 #统计学习
一篇题为《Computational and Statistical Guarantees of the c-Rectified flow》的学术论文在arXiv上公开。该研究由Leda Wang等学者完成，主要探讨了c-Rectified flow这一生成模型的理论性质。论文从计算和统计两个角度，为该模型的收敛性、样本复杂度等关键问题提供了严格的理论保证，弥补了相关领域在理论分析上的空白。这一成果有望推动基于流的生成模型在更复杂场景下的应用，并为后续算法设计提供理论支撑。 #机器学习 #生成模型 #cRectifiedFlow #理论保证 #arXiv #人工智能 #统计学习
新论文《Private Generative Bootstrap via Blocking》公开
据arXiv预印本平台信息，一篇题为《Private Generative Bootstrap via Blocking》的论文于2026年8月3日提交，由Jinwon Sohn等人撰写。该论文属于计算机科学和统计学领域，探讨了如何通过阻塞（Blocking）机制实现私有生成式自举（Generative Bootstrap）。生成式自举是一种利用生成模型进行数据扩充和统计推断的方法，但在隐私保护要求下，如何安全地生成数据是一个挑战。该论文提出的方法有望在保证差分隐私的前提下，提升生成数据的质量和统计效用。目前论文的PDF版本已在arXiv上开放，供学界参考。 #arXiv #Paper #Privacy #GenerativeBootstrap #DifferentialPrivacy #MachineLearning #Statistics #DataPrivacy #ComputerScience #JinwonSohn
据arXiv预印本平台信息，一篇题为《Private Generative Bootstrap via Blocking》的论文于2026年8月3日提交，由Jinwon Sohn等人撰写。该论文属于计算机科学和统计学领域，探讨了如何通过阻塞（Blocking）机制实现私有生成式自举（Generative Bootstrap）。生成式自举是一种利用生成模型进行数据扩充和统计推断的方法，但在隐私保护要求下，如何安全地生成数据是一个挑战。该论文提出的方法有望在保证差分隐私的前提下，提升生成数据的质量和统计效用。目前论文的PDF版本已在arXiv上开放，供学界参考。 #arXiv #Paper #Privacy #GenerativeBootstrap #DifferentialPrivacy #MachineLearning #Statistics #DataPrivacy #ComputerScience #JinwonSohn
Detecting Nonproperness of Likelihood Equations
近日，一篇题为《Detecting Nonproperness of Likelihood Equations》的学术论文在arXiv预印本平台发布，作者为Xiaoxian Tang等三人。该研究聚焦于统计推断中似然方程的非适定性问题——当似然方程无解或解不唯一时，传统参数估计方法可能失效。论文提出了一种系统性的检测方法，能够识别似然方程何时不满足“适定”条件，从而避免错误的统计推断。这一成果对机器学习、生物统计等依赖极大似然估计的领域具有重要参考价值，有助于提升模型拟合的稳健性与可靠性。目前该论文提供PDF及HTML版本供学术界审阅。 #统计学 #机器学习 #似然方程 #非适定性 #论文 #参数估计 #arXiv
近日，一篇题为《Detecting Nonproperness of Likelihood Equations》的学术论文在arXiv预印本平台发布，作者为Xiaoxian Tang等三人。该研究聚焦于统计推断中似然方程的非适定性问题——当似然方程无解或解不唯一时，传统参数估计方法可能失效。论文提出了一种系统性的检测方法，能够识别似然方程何时不满足“适定”条件，从而避免错误的统计推断。这一成果对机器学习、生物统计等依赖极大似然估计的领域具有重要参考价值，有助于提升模型拟合的稳健性与可靠性。目前该论文提供PDF及HTML版本供学术界审阅。 #统计学 #机器学习 #似然方程 #非适定性 #论文 #参数估计 #arXiv
论文《有限基漂移模型的有限探针全变差证书》提交至arXiv
一篇题为《有限基漂移模型的有限探针全变差证书》的学术论文于2026年8月3日提交至预印本平台arXiv，作者为Sam Andersson和Ricky Molén。该研究聚焦于机器学习与统计学习理论中的动态模型稳定性问题，提出了一种基于有限探针的全变差证书方法，旨在为有限基漂移模型提供理论上的保证。全变差证书是一种衡量分布差异的工具，而有限探针则代表着在有限采样条件下的评估。该成果可能对在线学习、自适应系统以及非平稳环境下的模型漂移检测与鲁棒性分析具有重要理论价值与实践意义。目前论文已提供PDF版本及HTML预览，相关代码与数据链接也已公开。 #arXiv #机器学习 #统计学习 #漂移模型 #全变差 #论文 #AI #理论计算机科学
一篇题为《有限基漂移模型的有限探针全变差证书》的学术论文于2026年8月3日提交至预印本平台arXiv，作者为Sam Andersson和Ricky Molén。该研究聚焦于机器学习与统计学习理论中的动态模型稳定性问题，提出了一种基于有限探针的全变差证书方法，旨在为有限基漂移模型提供理论上的保证。全变差证书是一种衡量分布差异的工具，而有限探针则代表着在有限采样条件下的评估。该成果可能对在线学习、自适应系统以及非平稳环境下的模型漂移检测与鲁棒性分析具有重要理论价值与实践意义。目前论文已提供PDF版本及HTML预览，相关代码与数据链接也已公开。 #arXiv #机器学习 #统计学习 #漂移模型 #全变差 #论文 #AI #理论计算机科学
新论文提出混合与回收样本策略，用于主导臂识别
一篇题为《Dominant Arm Identification with Mixing and Recycling Observed Samples》的研究论文近日在arXiv平台公开，作者为Jonghyun Sim等人。该工作聚焦统计决策与在线学习中的“主导臂识别”问题，提出一种通过混合并回收已观测样本来提升识别性能的方法。这类问题常见于多臂老虎机等场景，目标是在有限反馈下快速找出最优选项。论文目前提供PDF及HTML版本，尚未正式注册DOI，属预印本阶段。该研究或为强化学习、推荐系统等领域的样本利用效率提供新思路。 #arXiv #学术论文 #机器学习 #主导臂识别 #强化学习 #样本利用
一篇题为《Dominant Arm Identification with Mixing and Recycling Observed Samples》的研究论文近日在arXiv平台公开，作者为Jonghyun Sim等人。该工作聚焦统计决策与在线学习中的“主导臂识别”问题，提出一种通过混合并回收已观测样本来提升识别性能的方法。这类问题常见于多臂老虎机等场景，目标是在有限反馈下快速找出最优选项。论文目前提供PDF及HTML版本，尚未正式注册DOI，属预印本阶段。该研究或为强化学习、推荐系统等领域的样本利用效率提供新思路。 #arXiv #学术论文 #机器学习 #主导臂识别 #强化学习 #样本利用
模型无关的FDR控制
一篇题为“Model-Agnostic FDR Control via Group Gaussian Mirror and Permutation SHAP”的学术论文已在arXiv平台发布，由Jiaan Han与其他两位作者共同撰写，提交于2026年8月2日。该论文属于计算机科学（cs）与统计学（stat）交叉领域，目前已被列为2026年8月的最新研究。论文提出了一种模型无关的错误发现率（FDR）控制方法，结合组高斯镜像与排列SHAP技术，旨在解决高维统计推断和机器学习模型解释中的多重检验问题。该研究对变量选择、特征重要性评估等场景下的统计可靠性提升具有潜在意义。相关文献已在Google Scholar、Semantic Scholar等学术索引中收录，并可通过arXiv获取全文和TeX源码。 #arXiv #统计学 #FDR控制 #SHAP #机器学习 #论文 #科研
一篇题为“Model-Agnostic FDR Control via Group Gaussian Mirror and Permutation SHAP”的学术论文已在arXiv平台发布，由Jiaan Han与其他两位作者共同撰写，提交于2026年8月2日。该论文属于计算机科学（cs）与统计学（stat）交叉领域，目前已被列为2026年8月的最新研究。论文提出了一种模型无关的错误发现率（FDR）控制方法，结合组高斯镜像与排列SHAP技术，旨在解决高维统计推断和机器学习模型解释中的多重检验问题。该研究对变量选择、特征重要性评估等场景下的统计可靠性提升具有潜在意义。相关文献已在Google Scholar、Semantic Scholar等学术索引中收录，并可通过arXiv获取全文和TeX源码。 #arXiv #统计学 #FDR控制 #SHAP #机器学习 #论文 #科研
非结构化处理下的因果推断新论文在arXiv发布
一篇题为“Causal Inference with Unstructured Treatments”的论文近日在arXiv预印本平台上线。该论文由Kevin Christian Wibisono等人撰写，提交于2026年8月1日，旨在探讨当处理变量（treatment）为非结构化数据（如图像、文本、音频等）时如何进行因果推断。传统因果推断方法通常假设处理变量为结构化形式，而该研究提出新的理论框架，以应对非结构化处理带来的复杂性。论文还提供了PDF全文及HTML预览，并附有相关引用和工具链接。这项工作为因果推断领域开辟了新的研究方向，对人工智能、统计学等交叉学科具有重要理论价值。 #因果推断 #非结构化数据 #arXiv #机器学习 #论文 #人工智能 #统计学习
一篇题为“Causal Inference with Unstructured Treatments”的论文近日在arXiv预印本平台上线。该论文由Kevin Christian Wibisono等人撰写，提交于2026年8月1日，旨在探讨当处理变量（treatment）为非结构化数据（如图像、文本、音频等）时如何进行因果推断。传统因果推断方法通常假设处理变量为结构化形式，而该研究提出新的理论框架，以应对非结构化处理带来的复杂性。论文还提供了PDF全文及HTML预览，并附有相关引用和工具链接。这项工作为因果推断领域开辟了新的研究方向，对人工智能、统计学等交叉学科具有重要理论价值。 #因果推断 #非结构化数据 #arXiv #机器学习 #论文 #人工智能 #统计学习
超越基因重建
据arXiv预印本平台显示，研究人员提交了一篇题为《Beyond Gene Reconstruction: Learning Cell Representations through Complementary Transcriptomic Views》的论文。该研究提出了一种新的细胞表示学习框架，通过整合互补的转录组视图来捕获细胞状态，突破了传统基因重建方法的局限。这一方法有望提升单细胞转录组数据的分析精度，为细胞异质性研究提供更丰富的表征工具。论文目前处于arXiv系统处理阶段，相关代码和数据尚未公开。 #arXiv #单细胞转录组 #细胞表示学习 #生物信息学 #AI #基因重建
据arXiv预印本平台显示，研究人员提交了一篇题为《Beyond Gene Reconstruction: Learning Cell Representations through Complementary Transcriptomic Views》的论文。该研究提出了一种新的细胞表示学习框架，通过整合互补的转录组视图来捕获细胞状态，突破了传统基因重建方法的局限。这一方法有望提升单细胞转录组数据的分析精度，为细胞异质性研究提供更丰富的表征工具。论文目前处于arXiv系统处理阶段，相关代码和数据尚未公开。 #arXiv #单细胞转录组 #细胞表示学习 #生物信息学 #AI #基因重建
单侧分位数耦合用于流匹配方法
韩国学者Jin-Young Kim等人在arXiv上提交了一篇题为《One-Sided Quantile Coupling for Flow Matching》的论文，该论文于2026年8月2日发布。论文针对流匹配（Flow Matching）这一生成模型技术，提出了一种新的单侧分位数耦合方法，有望在数据生成质量和训练效率上带来改进。目前该论文已提供PDF预览及HTML版本，并附有BibTeX引用信息。相关研究代码与数据资源可通过arXiv平台获取，适用于对生成模型、概率分布耦合等领域感兴趣的科研人员。 #流匹配 #单侧分位数耦合 #生成模型 #arXiv #机器学习 #论文 #AI
韩国学者Jin-Young Kim等人在arXiv上提交了一篇题为《One-Sided Quantile Coupling for Flow Matching》的论文，该论文于2026年8月2日发布。论文针对流匹配（Flow Matching）这一生成模型技术，提出了一种新的单侧分位数耦合方法，有望在数据生成质量和训练效率上带来改进。目前该论文已提供PDF预览及HTML版本，并附有BibTeX引用信息。相关研究代码与数据资源可通过arXiv平台获取，适用于对生成模型、概率分布耦合等领域感兴趣的科研人员。 #流匹配 #单侧分位数耦合 #生成模型 #arXiv #机器学习 #论文 #AI
可解释机器学习助力沥青混凝土劈裂强度预测，SHAP分析揭示关键因素
沥青混凝土的劈裂强度是评价路面抗裂性能的重要指标，传统测试方法耗时费力且受限于试验条件。近日，一项研究将可解释机器学习应用于沥青混凝土劈裂强度的预测，并引入SHAP（Shapley加法解释）分析方法来解读模型决策过程。研究人员构建了多种机器学习模型，通过输入材料组成与试验条件等特征进行训练，发现模型能够较准确地预测劈裂强度。同时，SHAP分析有效识别出影响强度的关键因素，如沥青用量、空隙率及试验温度等，提升了模型的可信度与实用价值。该方法不仅提高了预测效率，还为工程人员优化配合比设计、提升路面耐久性提供了数据驱动的参考。相关论文由Jianglei Xing等学者撰写，已在arXiv平台预印发布。 #机器学习 #SHAP #沥青混凝土 #劈裂强度 #道路工程 #可解释AI
沥青混凝土的劈裂强度是评价路面抗裂性能的重要指标，传统测试方法耗时费力且受限于试验条件。近日，一项研究将可解释机器学习应用于沥青混凝土劈裂强度的预测，并引入SHAP（Shapley加法解释）分析方法来解读模型决策过程。研究人员构建了多种机器学习模型，通过输入材料组成与试验条件等特征进行训练，发现模型能够较准确地预测劈裂强度。同时，SHAP分析有效识别出影响强度的关键因素，如沥青用量、空隙率及试验温度等，提升了模型的可信度与实用价值。该方法不仅提高了预测效率，还为工程人员优化配合比设计、提升路面耐久性提供了数据驱动的参考。相关论文由Jianglei Xing等学者撰写，已在arXiv平台预印发布。 #机器学习 #SHAP #沥青混凝土 #劈裂强度 #道路工程 #可解释AI
数据驱动弹球损失选择
近日，一篇题为《Data-Driven Pinball-Loss Selection for Vertically Distributed Elastic-Net SVMs》的论文在arXiv平台发布。该研究针对垂直分布式数据场景下的弹性网络支持向量机（SVM），提出了一种数据驱动的弹球损失函数自动选择方法。传统SVM在非对称分布或异常值敏感时表现欠佳，而弹球损失函数可增强鲁棒性，但需手动调参。作者通过引入数据驱动机制，使模型能根据数据分布自动优化损失函数参数，从而提升分类性能与泛化能力。实验表明，该方法在多个基准数据集上优于固定损失函数策略，为分布式机器学习中的模型选择提供了新思路。 #机器学习 #支持向量机 #弹性网络 #弹球损失 #数据驱动 #分布式计算 #论文 #arXiv
近日，一篇题为《Data-Driven Pinball-Loss Selection for Vertically Distributed Elastic-Net SVMs》的论文在arXiv平台发布。该研究针对垂直分布式数据场景下的弹性网络支持向量机（SVM），提出了一种数据驱动的弹球损失函数自动选择方法。传统SVM在非对称分布或异常值敏感时表现欠佳，而弹球损失函数可增强鲁棒性，但需手动调参。作者通过引入数据驱动机制，使模型能根据数据分布自动优化损失函数参数，从而提升分类性能与泛化能力。实验表明，该方法在多个基准数据集上优于固定损失函数策略，为分布式机器学习中的模型选择提供了新思路。 #机器学习 #支持向量机 #弹性网络 #弹球损失 #数据驱动 #分布式计算 #论文 #arXiv