ProbRes: Volatility Learning for Probabilistic Time
一篇题为《ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting》的学术论文在arXiv上发布。该研究由Tingting Wang、Yunyi Zhang和Benyou Wang共同完成，聚焦于概率时间序列预测中的波动性学习问题。论文提出了一种名为ProbRes的新方法，旨在提升对时间序列中不确定性（尤其是波动性）的建模能力，从而生成更准确的概率预测。该方法可能对金融、气象、能源等需要量化风险的领域具有重要应用价值。目前论文已提供PDF全文及TeX源码，并开放浏览与引用。 #论文 #时间序列预测 #概率预测 #波动性学习 #机器学习 #arXiv #学术研究
一篇题为《ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting》的学术论文在arXiv上发布。该研究由Tingting Wang、Yunyi Zhang和Benyou Wang共同完成，聚焦于概率时间序列预测中的波动性学习问题。论文提出了一种名为ProbRes的新方法，旨在提升对时间序列中不确定性（尤其是波动性）的建模能力，从而生成更准确的概率预测。该方法可能对金融、气象、能源等需要量化风险的领域具有重要应用价值。目前论文已提供PDF全文及TeX源码，并开放浏览与引用。 #论文 #时间序列预测 #概率预测 #波动性学习 #机器学习 #arXiv #学术研究
扩散模型漂移估计器的误差界研究
来自arXiv的一篇新论文《Error Bounds for a Diffusion Model-Based Drift Estimator》由Ioar Casado-Telletxea和Omar Rivasplata撰写。该研究聚焦于基于扩散模型的漂移估计器，提出了其误差界的理论分析。扩散模型在生成式AI和统计推断中应用广泛，但漂移估计的精度直接影响模型性能。论文通过数学推导给出了估计器的误差上界，为扩散模型的理论可靠性和实际应用提供了重要支撑。该工作有望推动扩散模型在科学计算、数据同化等领域的更稳健应用。 #扩散模型 #误差界 #漂移估计 #机器学习 #统计推断 #arXiv #论文
来自arXiv的一篇新论文《Error Bounds for a Diffusion Model-Based Drift Estimator》由Ioar Casado-Telletxea和Omar Rivasplata撰写。该研究聚焦于基于扩散模型的漂移估计器，提出了其误差界的理论分析。扩散模型在生成式AI和统计推断中应用广泛，但漂移估计的精度直接影响模型性能。论文通过数学推导给出了估计器的误差上界，为扩散模型的理论可靠性和实际应用提供了重要支撑。该工作有望推动扩散模型在科学计算、数据同化等领域的更稳健应用。 #扩散模型 #误差界 #漂移估计 #机器学习 #统计推断 #arXiv #论文
安全粗化边界法
近日，一篇题为“It does what it says on the tin: safe synthetic data from coarsened margins”的学术论文在arXiv预印本平台发布。作者Gillian M. Raab提出了一种通过粗化边界生成安全合成数据的新方法。该方法旨在在保护隐私的同时，保留原始数据的统计特性，适用于敏感数据的共享与分析。论文详细介绍了该方法的理论基础、实现步骤及安全性评估，证明其能有效降低数据泄露风险。该研究为数据隐私保护领域提供了实用工具，尤其适用于医疗、金融等需要严格保密的数据场景。 #数据隐私 #合成数据 #安全 #学术论文 #统计方法 #隐私保护
近日，一篇题为“It does what it says on the tin: safe synthetic data from coarsened margins”的学术论文在arXiv预印本平台发布。作者Gillian M. Raab提出了一种通过粗化边界生成安全合成数据的新方法。该方法旨在在保护隐私的同时，保留原始数据的统计特性，适用于敏感数据的共享与分析。论文详细介绍了该方法的理论基础、实现步骤及安全性评估，证明其能有效降低数据泄露风险。该研究为数据隐私保护领域提供了实用工具，尤其适用于医疗、金融等需要严格保密的数据场景。 #数据隐私 #合成数据 #安全 #学术论文 #统计方法 #隐私保护
凸距离算子传输
研究人员提出了一种名为“凸距离算子传输”的新方法，该方法在保持几何结构的同时保证了问题的凸性。该论文由Junhyoung Chung等三位作者共同完成，于2026年6月1日提交至arXiv预印本平台。论文标题中的“凸距离算子传输”是一种结合了距离度量与算子传输的数学框架，旨在解决传统传输方法中非凸性和几何扭曲的问题。通过引入凸性约束，该方法能够更稳定地处理高维数据中的距离保持和变换任务。论文目前隶属于计算机科学、数学与统计学交叉领域，尚未经同行评议，但提供了完整的PDF及HTML版本文本。该研究为机器学习中的最优传输、几何深度学习及生成模型等方向提供了新的理论工具。 #arXiv #凸优化 #几何方法 #距离算子 #最优传输 #机器学习 #预印本 #JunhyoungChung
研究人员提出了一种名为“凸距离算子传输”的新方法，该方法在保持几何结构的同时保证了问题的凸性。该论文由Junhyoung Chung等三位作者共同完成，于2026年6月1日提交至arXiv预印本平台。论文标题中的“凸距离算子传输”是一种结合了距离度量与算子传输的数学框架，旨在解决传统传输方法中非凸性和几何扭曲的问题。通过引入凸性约束，该方法能够更稳定地处理高维数据中的距离保持和变换任务。论文目前隶属于计算机科学、数学与统计学交叉领域，尚未经同行评议，但提供了完整的PDF及HTML版本文本。该研究为机器学习中的最优传输、几何深度学习及生成模型等方向提供了新的理论工具。 #arXiv #凸优化 #几何方法 #距离算子 #最优传输 #机器学习 #预印本 #JunhyoungChung
计算感知卡尔曼滤波与模型选择在神经动力学中的应用
arXiv上近日提交了一篇题为《Computation-Aware Kalman Filtering with Model Selection for Neural Dynamics》的论文，作者为JR Huml等。该研究提出了一种结合模型选择的计算感知卡尔曼滤波方法，旨在更高效地处理神经动力学中的状态估计问题。传统卡尔曼滤波在计算资源受限时可能面临瓶颈，而新方法通过动态调整滤波策略和模型选择，有望提升实时神经信号处理的准确性与效率。论文目前以PDF和HTML形式公开，并附有相关代码与数据链接，为神经科学和信号处理领域提供了新的理论工具。 #arXiv #卡尔曼滤波 #神经动力学 #模型选择 #计算感知 #论文 #信号处理
arXiv上近日提交了一篇题为《Computation-Aware Kalman Filtering with Model Selection for Neural Dynamics》的论文，作者为JR Huml等。该研究提出了一种结合模型选择的计算感知卡尔曼滤波方法，旨在更高效地处理神经动力学中的状态估计问题。传统卡尔曼滤波在计算资源受限时可能面临瓶颈，而新方法通过动态调整滤波策略和模型选择，有望提升实时神经信号处理的准确性与效率。论文目前以PDF和HTML形式公开，并附有相关代码与数据链接，为神经科学和信号处理领域提供了新的理论工具。 #arXiv #卡尔曼滤波 #神经动力学 #模型选择 #计算感知 #论文 #信号处理
表格基础模型不确定性量化能力研究获新进展
一篇题为《On the Uncertainty Quantification Ability of Tabular Foundation Models》的学术论文于2026年5月提交至arXiv预印本平台。该论文由Tyler R. Johnson等五位学者共同撰写，系统评估了表格基础模型在不确定性量化方面的能力。研究聚焦于这类模型在结构化数据预测中能否提供可靠的概率估计和置信区间，这对于金融、医疗等高风险领域至关重要。论文通过理论分析和实验验证，揭示了当前表格基础模型在不确定性量化上的优势与局限，并提出改进方向。该工作有望推动表格深度学习模型在可信AI应用中的发展。 #论文 #表格数据 #不确定性量化 #基础模型 #AI #深度学习 #arXiv
一篇题为《On the Uncertainty Quantification Ability of Tabular Foundation Models》的学术论文于2026年5月提交至arXiv预印本平台。该论文由Tyler R. Johnson等五位学者共同撰写，系统评估了表格基础模型在不确定性量化方面的能力。研究聚焦于这类模型在结构化数据预测中能否提供可靠的概率估计和置信区间，这对于金融、医疗等高风险领域至关重要。论文通过理论分析和实验验证，揭示了当前表格基础模型在不确定性量化上的优势与局限，并提出改进方向。该工作有望推动表格深度学习模型在可信AI应用中的发展。 #论文 #表格数据 #不确定性量化 #基础模型 #AI #深度学习 #arXiv
无分布变化点定位研究
据arXiv预印本平台信息，来自卡内基梅隆大学（推测，但根据作者信息）的研究者Aytijhya Saha与Aaditya Ramdas联合提交了一篇题为“Distribution-free changepoint localization after sequential change detection”的论文。该研究聚焦于在完成顺序变化检测之后，如何在不依赖数据分布假设的情况下，精确确定变化发生的位置。传统方法通常需要预知数据分布或参数假设，而该论文提出的无分布方法显著拓宽了适用范围，适用于实时监控、工业质量控制、金融异常检测等场景。论文于2026年5月31日提交，目前可在arXiv上查阅全文。 #无分布方法 #变化点定位 #顺序检测 #统计学习 #arXiv #机器学习 #异常检测
据arXiv预印本平台信息，来自卡内基梅隆大学（推测，但根据作者信息）的研究者Aytijhya Saha与Aaditya Ramdas联合提交了一篇题为“Distribution-free changepoint localization after sequential change detection”的论文。该研究聚焦于在完成顺序变化检测之后，如何在不依赖数据分布假设的情况下，精确确定变化发生的位置。传统方法通常需要预知数据分布或参数假设，而该论文提出的无分布方法显著拓宽了适用范围，适用于实时监控、工业质量控制、金融异常检测等场景。论文于2026年5月31日提交，目前可在arXiv上查阅全文。 #无分布方法 #变化点定位 #顺序检测 #统计学习 #arXiv #机器学习 #异常检测
Efficient Approximation for Encoder--Decoder Neural Operators via Variation Spaces
近日，一篇题为《Efficient Approximation for Encoder--Decoder Neural Operators via Variation Spaces》的论文在arXiv上提交。该论文由Jia-Qi Yang和Lei Shi撰写，主要研究编码器-解码器神经算子的高效逼近问题。神经算子作为一类学习函数空间映射的深度学习模型，在科学计算与工程领域具有广泛应用。作者从变分空间理论出发，提出了一种新的逼近方法，旨在提升编码器-解码器架构在算子学习中的效率与理论保证。论文提供了完整的数学推导与理论分析，为神经算子的高效实现提供了新思路。目前该论文已开放PDF全文下载，并附有HTML预览及TeX源码，供研究者参考。 #论文 #arXiv #神经算子 #变分空间 #深度学习 #科学计算 #机器学习
近日，一篇题为《Efficient Approximation for Encoder--Decoder Neural Operators via Variation Spaces》的论文在arXiv上提交。该论文由Jia-Qi Yang和Lei Shi撰写，主要研究编码器-解码器神经算子的高效逼近问题。神经算子作为一类学习函数空间映射的深度学习模型，在科学计算与工程领域具有广泛应用。作者从变分空间理论出发，提出了一种新的逼近方法，旨在提升编码器-解码器架构在算子学习中的效率与理论保证。论文提供了完整的数学推导与理论分析，为神经算子的高效实现提供了新思路。目前该论文已开放PDF全文下载，并附有HTML预览及TeX源码，供研究者参考。 #论文 #arXiv #神经算子 #变分空间 #深度学习 #科学计算 #机器学习
实用与最优的线性上下文赌博机算法，实现罕见参数更新下的高效学习
研究人员提出了一种针对线性上下文赌博机问题的新算法，在保证理论最优遗憾界的同时，大幅降低了参数更新的频率。传统线性上下文赌博机算法通常需要频繁更新参数以维持性能，但在大规模在线学习场景中，这会带来高昂的计算开销。该工作通过巧妙地结合高效统计推断与稀疏更新策略，仅需在关键时刻调整模型参数，即可达到与频繁更新算法同等级别的学习效果。理论分析证明了该算法在参数更新次数受限情况下的最优性，而模拟实验则展示了其在推荐系统、广告投放等实际任务中的出色表现。这一成果为高吞吐量、低延迟的实时决策系统提供了实用且可扩展的解决方案，平衡了计算效率与学习性能的权衡。 #机器学习 #强化学习 #赌博机 #在线学习 #算法 #最优性 #参数更新 #论文 #AI #arXiv
研究人员提出了一种针对线性上下文赌博机问题的新算法，在保证理论最优遗憾界的同时，大幅降低了参数更新的频率。传统线性上下文赌博机算法通常需要频繁更新参数以维持性能，但在大规模在线学习场景中，这会带来高昂的计算开销。该工作通过巧妙地结合高效统计推断与稀疏更新策略，仅需在关键时刻调整模型参数，即可达到与频繁更新算法同等级别的学习效果。理论分析证明了该算法在参数更新次数受限情况下的最优性，而模拟实验则展示了其在推荐系统、广告投放等实际任务中的出色表现。这一成果为高吞吐量、低延迟的实时决策系统提供了实用且可扩展的解决方案，平衡了计算效率与学习性能的权衡。 #机器学习 #强化学习 #赌博机 #在线学习 #算法 #最优性 #参数更新 #论文 #AI #arXiv
通过潜在嵌入重建实现高效合成网络生成
近日，arXiv预印本平台收录了一篇题为《通过潜在嵌入重建的高效合成网络生成》（Efficient Synthetic Network Generation via Latent Embedding Reconstruction）的论文。该论文由Feifan Jiang等5位作者共同完成，提出了一种基于潜在嵌入重建的全新方法，用于高效生成合成网络。合成网络生成在社交网络分析、生物信息学、通信网络设计等领域具有广泛应用，传统方法往往面临计算资源消耗大或生成网络质量不高等挑战。该研究通过潜在嵌入重建技术，有望在保持网络结构真实性的前提下显著降低生成成本。目前，论文全文已在arXiv上开放获取，并提供PDF及HTML版本供研究人员参考。 #合成网络 #潜在嵌入 #网络生成 #arXiv #机器学习 #人工智能 #复杂网络 #高效算法
近日，arXiv预印本平台收录了一篇题为《通过潜在嵌入重建的高效合成网络生成》（Efficient Synthetic Network Generation via Latent Embedding Reconstruction）的论文。该论文由Feifan Jiang等5位作者共同完成，提出了一种基于潜在嵌入重建的全新方法，用于高效生成合成网络。合成网络生成在社交网络分析、生物信息学、通信网络设计等领域具有广泛应用，传统方法往往面临计算资源消耗大或生成网络质量不高等挑战。该研究通过潜在嵌入重建技术，有望在保持网络结构真实性的前提下显著降低生成成本。目前，论文全文已在arXiv上开放获取，并提供PDF及HTML版本供研究人员参考。 #合成网络 #潜在嵌入 #网络生成 #arXiv #机器学习 #人工智能 #复杂网络 #高效算法
Bandit Simulation for Average Reward Inference
一篇题为"Bandit Simulation for Average Reward Inference"的学术论文近日在arXiv预印本平台发布。该论文由Samya Praharaj等四位作者共同完成，提交于2026年5月30日。论文聚焦于多臂老虎机（bandit）问题中的平均奖励推断，提出了一种基于模拟的推断方法。该方法旨在提升在不确定环境下对奖励均值的估计精度，对强化学习、在线决策等领域具有潜在应用价值。论文目前以PDF和HTML格式提供，并附有TeX源码。 #论文 #arXiv #机器学习 #强化学习 #Bandit #平均奖励 #推断 #模拟 #学术
一篇题为"Bandit Simulation for Average Reward Inference"的学术论文近日在arXiv预印本平台发布。该论文由Samya Praharaj等四位作者共同完成，提交于2026年5月30日。论文聚焦于多臂老虎机（bandit）问题中的平均奖励推断，提出了一种基于模拟的推断方法。该方法旨在提升在不确定环境下对奖励均值的估计精度，对强化学习、在线决策等领域具有潜在应用价值。论文目前以PDF和HTML格式提供，并附有TeX源码。 #论文 #arXiv #机器学习 #强化学习 #Bandit #平均奖励 #推断 #模拟 #学术
驯服PINNs的损失景观：带噪声Feynman-Kac监督下的算子预条件化与非渐近误差界
近日，一篇发表于arXiv的预印本论文提出了一种新方法，旨在优化物理信息神经网络（PINNs）的训练过程。针对PINNs损失景观崎岖、难以收敛的问题，研究团队引入带有噪声的Feynman-Kac公式作为额外监督信号，并开发了算子预条件化技术以平滑损失曲面。作者还推导了非渐近误差界，从理论上保证了方法的收敛性与稳定性。实验结果显示，该方法能显著提升PINNs在求解偏微分方程时的预测精度与鲁棒性，为深度学习在科学计算中的应用提供了新的理论支持和算法改进。 #PINNs #FeynmanKac #算子预条件化 #非渐近误差界 #物理信息神经网络 #科学计算 #深度学习 #AI #arXiv
近日，一篇发表于arXiv的预印本论文提出了一种新方法，旨在优化物理信息神经网络（PINNs）的训练过程。针对PINNs损失景观崎岖、难以收敛的问题，研究团队引入带有噪声的Feynman-Kac公式作为额外监督信号，并开发了算子预条件化技术以平滑损失曲面。作者还推导了非渐近误差界，从理论上保证了方法的收敛性与稳定性。实验结果显示，该方法能显著提升PINNs在求解偏微分方程时的预测精度与鲁棒性，为深度学习在科学计算中的应用提供了新的理论支持和算法改进。 #PINNs #FeynmanKac #算子预条件化 #非渐近误差界 #物理信息神经网络 #科学计算 #深度学习 #AI #arXiv
光谱引导的神经塔克分解研究登上arXiv
近日，一篇题为《Spectra-Guided Neural Tucker Factorization》（光谱引导的神经塔克分解）的论文在arXiv预印本平台提交。该研究由Fusheng Wang和Yikai Hou共同完成，提出了一种将光谱信息与神经网络相结合的塔克分解新框架。传统塔克分解在高维数据分析中广泛应用，但存在计算复杂度和精度瓶颈。该方法通过光谱引导机制优化张量分解过程，有望提升模型在推荐系统、信号处理等领域的性能与效率。论文已提供PDF全文及HTML预览，相关代码和数据链接正在开放中。 #论文 #机器学习 #张量分解 #神经网络 #光谱引导 #arXiv #AI
近日，一篇题为《Spectra-Guided Neural Tucker Factorization》（光谱引导的神经塔克分解）的论文在arXiv预印本平台提交。该研究由Fusheng Wang和Yikai Hou共同完成，提出了一种将光谱信息与神经网络相结合的塔克分解新框架。传统塔克分解在高维数据分析中广泛应用，但存在计算复杂度和精度瓶颈。该方法通过光谱引导机制优化张量分解过程，有望提升模型在推荐系统、信号处理等领域的性能与效率。论文已提供PDF全文及HTML预览，相关代码和数据链接正在开放中。 #论文 #机器学习 #张量分解 #神经网络 #光谱引导 #arXiv #AI
无参数与分组条件在线共形预测新方法研究发布
近日，一篇题为《无参数与分组条件在线共形预测》的研究论文在arXiv预印本平台发布。该研究由Beepul Bharti等人完成，提出了一种无需手动调整参数且能处理分组条件下的在线共形预测方法。传统共形预测往往需要针对不同数据分布设定参数，而新方法通过自适应机制简化了流程，并能够对来自不同组的观测数据分别提供有效的预测区间。该方法在保持预测可靠性的同时，显著提升了在线预测的灵活性和实用性。论文目前以HTML和PDF形式开放获取，并提供了相关代码与数据链接，为机器学习与统计推断领域提供了新的理论工具。 #机器学习 #共形预测 #无参数 #分组条件 #arXiv #学术论文 #统计推断
近日，一篇题为《无参数与分组条件在线共形预测》的研究论文在arXiv预印本平台发布。该研究由Beepul Bharti等人完成，提出了一种无需手动调整参数且能处理分组条件下的在线共形预测方法。传统共形预测往往需要针对不同数据分布设定参数，而新方法通过自适应机制简化了流程，并能够对来自不同组的观测数据分别提供有效的预测区间。该方法在保持预测可靠性的同时，显著提升了在线预测的灵活性和实用性。论文目前以HTML和PDF形式开放获取，并提供了相关代码与数据链接，为机器学习与统计推断领域提供了新的理论工具。 #机器学习 #共形预测 #无参数 #分组条件 #arXiv #学术论文 #统计推断
黎曼随机优化实现充分降维新突破
近日，一篇题为《Riemannian Stochastic Optimization for Sufficient Dimension Reduction》的论文在arXiv预印本平台发布。该研究由Thibault Pautrel和François Portier共同完成，提出了一种基于黎曼流形的随机优化方法，用于解决充分降维问题。传统降维方法在处理高维数据时往往面临计算复杂度和收敛性挑战，而该工作通过将优化问题嵌入黎曼流形，利用随机梯度下降的变体，在理论上证明了算法的收敛性，并在模拟和真实数据集上展示了优于现有方法的性能。这一成果为高维统计推断和机器学习中的特征提取提供了新的理论工具与实用算法，有望推动相关领域的研究进展。 #机器学习 #降维 #黎曼优化 #随机优化 #统计学习 #arXiv #论文 #高维数据 #算法
近日，一篇题为《Riemannian Stochastic Optimization for Sufficient Dimension Reduction》的论文在arXiv预印本平台发布。该研究由Thibault Pautrel和François Portier共同完成，提出了一种基于黎曼流形的随机优化方法，用于解决充分降维问题。传统降维方法在处理高维数据时往往面临计算复杂度和收敛性挑战，而该工作通过将优化问题嵌入黎曼流形，利用随机梯度下降的变体，在理论上证明了算法的收敛性，并在模拟和真实数据集上展示了优于现有方法的性能。这一成果为高维统计推断和机器学习中的特征提取提供了新的理论工具与实用算法，有望推动相关领域的研究进展。 #机器学习 #降维 #黎曼优化 #随机优化 #统计学习 #arXiv #论文 #高维数据 #算法
ERICA
一篇题为《ERICA: Quantifying Replicability of Cluster Analysis》的学术论文近日在arXiv预印本平台发布。该研究由Siamak K. Sorooshyari等人完成，提出了一种名为ERICA的框架，旨在系统量化聚类分析结果的可重复性。聚类分析是数据科学和机器学习中的常用技术，但其结果常因数据扰动、参数选择等因素而波动。ERICA通过引入新的度量指标，帮助研究者评估聚类结果的稳定性和可靠性，从而提升科学研究的可复现性。该论文已提供PDF全文及HTML版本，并附有相关代码与数据链接，供学术界进一步验证与应用。 #论文 #聚类分析 #可重复性 #ERICA #机器学习 #数据科学 #arXiv #科研方法
一篇题为《ERICA: Quantifying Replicability of Cluster Analysis》的学术论文近日在arXiv预印本平台发布。该研究由Siamak K. Sorooshyari等人完成，提出了一种名为ERICA的框架，旨在系统量化聚类分析结果的可重复性。聚类分析是数据科学和机器学习中的常用技术，但其结果常因数据扰动、参数选择等因素而波动。ERICA通过引入新的度量指标，帮助研究者评估聚类结果的稳定性和可靠性，从而提升科学研究的可复现性。该论文已提供PDF全文及HTML版本，并附有相关代码与数据链接，供学术界进一步验证与应用。 #论文 #聚类分析 #可重复性 #ERICA #机器学习 #数据科学 #arXiv #科研方法