半监督条件生成学习新方法

一篇题为《Semi-Supervised Conditional Generative Learning through Stochastic Interpolation and Sufficient Representations》的论文近日在arXiv上提交。该研究由Changyu Liu等学者完成，提出了一种融合随机插值与充分表示的新型半监督条件生成学习框架。该方法旨在解决标注数据稀缺条件下条件生成模型的训练难题，通过引入随机插值技术增强数据多样性，并利用充分表示理论提升模型对有限标签信息的利用效率。实验表明，该方法在多个基准数据集上相较传统半监督生成模型取得了更好的生成质量和分类性能。这一工作为半监督场景下的条件生成任务提供了新的理论支撑和实践路径。 #半监督学习 #条件生成 #随机插值 #充分表示 #深度学习 #AI论文 #机器学习

Dropout和随机梯度遮蔽在大型ResNet中渐近等价

一篇题为《Dropout and Random Gradient Masking Are Asymptotically Equivalent in Large ResNets》的arXiv论文提出，在大规模残差网络（ResNet）中，两种常见的正则化技术——Dropout（随机丢弃神经元）和Random Gradient Masking（随机梯度遮蔽）——在渐近意义上是等价的。作者通过理论分析证明了在深度和宽度趋于无穷时，两者的统计行为趋于一致。这一结论有助于理解深度神经网络中不同正则化方法的本质联系，并为简化模型设计和训练策略提供了理论依据。该研究目前已在arXiv上发布，相关代码和数据可通过链接获取。 #深度学习 #正则化 #Dropout #ResNet #梯度遮蔽 #机器学习 #理论研究

Deep Adaptive Bayesian Screening

近日，一篇题为《Deep Adaptive Bayesian Screening》的论文在arXiv预印本平台上线。该论文由Jade Lejeune Herman等四位研究人员共同完成，于2026年7月18日提交。研究提出了一种结合深度学习与自适应贝叶斯方法的筛选新框架，旨在提升高维数据中的变量选择与推断效率。该方法通过动态调整先验分布和筛选阈值，在保持统计严谨性的同时，显著降低了计算复杂度。目前论文已提供HTML、TeX源码及关联代码资源，未来有望在生物信息学、经济学等需要大规模特征筛选的领域发挥重要作用。 #论文 #深度学习 #贝叶斯方法 #筛选 #arXiv #科研 #数据科学

Twisted Schrödinger Bridge Matching 论文在 arXiv 发布

近日，一篇题为“Twisted Schrödinger Bridge Matching”的研究论文在预印本平台 arXiv 上公开。该论文由 Maxence Noble 等四位学者共同撰写，于2026年7月18日提交。论文研究内容涉及计算机科学与统计学交叉领域，旨在提出一种改进的 Schrödinger 桥匹配方法。尽管论文全文尚未正式发表，但已引起相关学科研究者的关注，其方法有望在生成模型、最优传输等方向产生应用价值。 #arXiv #预印本 #机器学习 #Schrödinger桥 #生成模型 #最优传输 #学术论文

在线强化学习最优策略识别非渐近保证研究获进展

据arXiv预印本平台显示，一篇题为《Non-Asymptotic Best Policy Identification Guarantees in Online Reinforcement Learning》的论文由Joseph Lazzaro等人提交。该研究聚焦在线强化学习中的最佳策略识别问题，提出了非渐近性保证的数学框架。传统方法多依赖于样本量趋于无穷时的渐进分析，而该工作提供了一种更适用于有限样本场景的识别方案，能够在已知交互次数内高概率识别最优策略。论文详细阐述了理论保证与算法设计，并给出了初步的数值验证，对机器人控制、游戏AI等实际领域的策略优化具有潜在推动作用。 #强化学习 #在线学习 #策略识别 #非渐近 #AI #机器学习 #arXiv #学术论文

张量列车与哈达玛过参数化助力核回归新突破

近日，一篇题为《Kernel Regression with Tensor Trains and Hadamard Overparameterization》的论文在arXiv上提交。该研究由Duc Thien Nguyen等四位学者共同完成，提出了一种结合张量列车（Tensor Train）分解与哈达玛过参数化（Hadamard Overparameterization）的核回归新方法。张量列车是一种高效的低秩张量表示技术，能够处理高维数据；而哈达玛过参数化则通过元素级乘积增加模型容量，从而在不显著增加计算负担的情况下提升回归精度。该方法有望在图像处理、科学计算等涉及高维核方法的领域发挥重要作用，为大规模数据中的非线性建模提供更高效的工具。论文目前已公开PDF版本，并提供了HTML预览及TeX源码，同时关联了代码、数据和相关文献链接。 #核回归 #张量列车 #哈达玛过参数化 #机器学习 #论文 #AI #高维数据 #科学计算

高效顺序评估大型语言模型新论文发布

一篇题为《高效顺序评估大型语言模型》的学术论文近日在arXiv预印本平台公开。该论文由Chia-Yu Hsu和Shubhanshu Shekhar撰写，于2026年7月19日提交。研究聚焦如何提升对大型语言模型进行评估的效率，提出顺序评估方法以减少计算资源消耗，同时保持评估准确性。论文还提供PDF、HTML及TeX源码等访问方式，并附有参考文献、代码链接及多种文献管理工具支持。 #AI #大模型 #论文 #评估 #效率

高效自适应维度选择算法

该论文提出了一种针对多维概率比等级反应模型的高效自适应维度选择算法。传统多维项目反应理论模型在处理高维潜在特质时，面临计算复杂度高和模型参数估计不稳定的问题。研究团队通过引入自适应维度选择策略，在保持模型解释力的同时显著降低了计算负担。算法能够在迭代过程中动态调整潜在维度数量，从而优化参数估计效率。实验表明，该方法在模拟数据和真实教育测试数据上均表现出良好的收敛性和准确性，尤其适用于大型测评系统。该研究为心理测量学和教育评估领域的复杂建模提供了新的计算途径，有望推动自适应测试技术发展。 #机器学习 #心理测量 #自适应算法 #项目反应理论 #教育评估 #AI #算法优化

因果残差Transformer中“中间丢失”现象的伴随灵敏度框架

研究人员提出了一种伴随灵敏度框架，用于分析因果残差Transformer模型中的“丢失在中间”（Lost-in-the-Middle）现象。该现象描述了大语言模型在处理长序列输入时，倾向于忽略或遗忘中间位置信息的缺陷，影响长文档理解、多轮对话等任务的表现。该框架通过数学推导，将模型输出对中间层输入的敏感性进行定量评估，从而揭示注意力衰减与残差连接之间的相互作用机制。基于该框架，团队能够识别导致信息丢失的关键网络层，并提出优化方向。研究论文由Cheng Huan和Hongwei Yuan撰写，于2026年7月20日提交至arXiv预印本平台。该工作为改进Transformer架构的长程建模能力提供了新的理论工具。 #AI #Transformer #深度学习 #自然语言处理 #中间丢失 #伴随灵敏度 #大模型 #长序列

子群公平聚类中的协方差诱导公平差距惩罚方法

近日，一篇题为《COVAriance-Induced Fairness Gap Penalty for Subgroup-Fair Clustering》的论文在arXiv预印本平台发布。该研究由Kyungseon Lee等五位学者共同完成，提出一种基于协方差诱导的公平差距惩罚机制，用于在子群公平聚类中减少不同子群间的公平性偏差。传统聚类方法往往忽视子群间的公平性，导致某些群体被系统性地边缘化。该论文通过引入协方差正则项，在聚类目标函数中加入公平差距惩罚，从而在保证聚类质量的同时提升子群间的公平性。实验表明，该方法在多个标准数据集上均能有效降低公平差距，且对聚类性能影响较小。相关代码与数据已在开源平台公开。 #机器学习 #公平性 #聚类算法 #子群公平 #协方差 #AI #学术论文 #arXiv

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

通过指数机制实现有效推断的分类树方法

来自密歇根大学的研究者提出一种基于指数机制的分类树方法，旨在解决传统分类树在统计推断上的局限性。该方法通过将差分隐私中的指数机制引入决策树构建过程，能够保证在保留数据隐私的同时，生成具有有效统计推断能力的分类规则。论文给出了该方法在理论上的置信区间构造和假设检验框架，并通过模拟和真实数据实验验证了其性能。该工作为机器学习模型的可解释性与统计推断提供了新的平衡方案，有望在医疗诊断、金融风控等需要可靠结论的领域发挥作用。 #机器学习 #分类树 #统计推断 #指数机制 #差分隐私 #数据科学 #AI #学术论文

量化LLM基准测试中的排名不确定性

一篇题为《Quantifying Ranking Uncertainty in LLM Benchmarks》的论文于2026年6月发布于arXiv预印本平台。该研究由Bitya Neuhof和Yuval Benjamini完成，旨在解决大语言模型（LLM）基准测试中排名结果存在不确定性的问题。由于不同测试集、评估指标和随机因素可能导致模型排名波动，论文提出一种量化方法，帮助研究者更可靠地解读模型性能对比。这项工作对提升LLM评估的科学性具有重要意义，也为后续标准化测试提供了理论支持。 #LLM #基准测试 #排名不确定性 #AI #论文

减少随机优化中的每样本危害论文上线arXiv

一篇题为《Reducing Per-Sample Harm in Stochastic Optimization》的研究论文于2026年6月28日提交至arXiv预印本平台。该论文作者为Apostolos Avranas，提供了PDF和HTML格式全文及TeX源码。根据arXiv分类，论文归属于计算机科学（cs）和统计学（stat）领域。论文页面还集成了参考文献、相关论文推荐、引用导出及代码链接等工具。尽管论文摘要尚未公开，但其标题明确聚焦于随机优化过程中如何降低对单个样本的潜在损害，这一方向对提升机器学习模型的鲁棒性与公平性具有重要参考价值。 #arXiv #论文 #随机优化 #机器学习 #计算机科学 #统计学 #研究 #2026 #学术动态

常步长随机梯度下降在平坦极小值处的缩放极限

一篇题为《Scaling Limits of Constant-Stepsize SGD at Flat Minima》的学术论文近期在arXiv上发布。论文由Jingyi Zhang等三位作者完成，主要探讨了常步长随机梯度下降（SGD）算法在损失函数平坦极小值区域的行为极限。研究通过理论分析揭示了该场景下SGD动态的缩放规律，为理解深度学习优化中的泛化性与收敛性提供了重要视角。该工作对优化理论和机器学习实践均有参考价值。 #机器学习 #优化算法 #SGD #深度学习 #论文 #理论分析 #平坦极小值 #arXiv

投影最大熵论文提出通用性与接受域校准新方法

近日，一篇题为《投影最大熵：通用性与接受域校准》的学术论文在预印本平台arXiv上发布。作者Hideitsu Hino提出了一种基于投影的最大熵方法，深入探讨了其通用性理论，并创新性地引入了接受域校准技术。该方法在统计建模与机器学习领域具有重要潜在应用，旨在提升模型的可解释性和概率校准的精度。论文通过理论分析与实验验证，展示了该新方法在处理高维复杂数据时的显著优势，为最大熵原理的实际应用提供了新的视角与工具。 #投影最大熵 #最大熵 #通用性 #接受域校准 #统计学 #机器学习 #arXiv #HideitsuHino

自举法失效时抽样分布的摊销推断

据arXiv预印本显示，美国学者Akash Deep于2026年7月发表了一篇题为《自举法失效时抽样分布的摊销推断》的论文。自举法是统计学中常用的重抽样方法，但在某些复杂模型或小样本场景下，其估计会出现偏差甚至失效。该论文提出了一种新的摊销推断（Amortized Inference）方法，通过神经网络或变分技术近似抽样分布，从而在自举法不可靠的场景下提供更稳健的推断。研究为高维统计、机器学习中的不确定性量化提供了新思路，目前论文已开放PDF全文下载。 #arXiv #统计学 #机器学习 #摊销推断 #自举法 #不确定性量化 #预印本

稀疏图上消息传递的深度价值：Kesten

近期一篇来自 Aseem Baranwal 等研究者的 arXiv 论文，系统考察了稀疏图上消息传递算法的深度价值。研究聚焦于信念传播等迭代算法，发现存在一个与 Kesten-Stigum 二分法对应的相变：当图稀疏程度超过特定阈值后，增加算法深度（即迭代轮数）并不会持续提升推断性能，反而可能引入噪声。该结论对图神经网络、社区检测等依赖消息传递的领域具有重要启示，揭示了在稀疏图上设计算法时，并非“越深越好”，而需考虑深度与信噪比的平衡。论文通过理论分析与数值实验验证了该二分法的存在，为理解消息传递方法的极限提供了新视角。 # arXiv #消息传递 #稀疏图 #KestenStigum #信念传播 #图神经网络 #统计推断 #社区检测 #算法理论

深度二阶随机残差方法

该论文提出了一种名为“深度二阶随机残差方法”的新算法，用于求解完全非线性抛物型偏微分方程。作者Zhenhua Zhao等人利用深度学习技术，结合二阶随机残差最小化策略，有效解决了传统数值方法在高维非线性问题上的计算瓶颈。该方法通过神经网络逼近解函数，并引入随机采样与残差修正，显著提高了求解精度与稳定性。实验表明，该算法在多个典型非线性PDE实例中表现优于现有方法，为计算数学与AI交叉领域提供了新思路。 #数学 #偏微分方程 #深度学习 #计算方法 #人工智能

价值单调性至关重要

最新arXiv预印本论文提出了一种名为“一致性损失”的新型损失函数，用于深度生存预测模型。该研究由Meixu Chen等三位作者完成，强调“价值单调性”在生存分析中的关键作用。传统深度生存模型常因忽略预测风险值的单调性约束而导致性能瓶颈，新方法通过引入一致性损失直接优化风险排序的准确性，从而提升模型的判别能力。论文显示，该方法在多个公开数据集上优于现有基线模型，尤其在高噪声和删失数据场景中优势明显。这项研究为临床预后评估、设备寿命预测等领域提供了更可靠的建模工具。 #arXiv #深度学习 #生存分析 #损失函数 #单调性 #论文