arXiv ID:
2602.11920
学习条件平均值 / Learning Conditional Averages
1️⃣ 一句话总结
这篇论文在经典的PAC学习框架中引入了一个新问题:学习‘条件平均值’,即预测每个数据点在其所属任意邻域内的平均标签,而不是学习目标概念本身,并给出了该问题何时可学习的完整理论刻画。
学习条件平均值 / Learning Conditional Averages
这篇论文在经典的PAC学习框架中引入了一个新问题:学习‘条件平均值’,即预测每个数据点在其所属任意邻域内的平均标签,而不是学习目标概念本身,并给出了该问题何时可学习的完整理论刻画。
基于对手塑造的可持续投资政策研究 / Towards Sustainable Investment Policies Informed by Opponent Shaping
这篇论文提出,通过一种名为‘优势对齐’的算法来引导投资者和公司的学习过程,可以促使他们从只顾眼前利益转向合作应对气候变化,从而为解决市场短期行为与长期可持续发展目标之间的矛盾提供了新的政策思路。
一种适用于数据流的公平共识聚类通用框架 / A Generic Framework for Fair Consensus Clustering in Streams
这篇论文提出了首个适用于数据流场景的公平共识聚类算法框架,它能在内存有限的情况下,通过仅存储少量数据就高效地整合多个聚类结果,并保证公平性,同时该通用框架也适用于离线和更广泛的聚类问题。
基于维纳混沌展开的随机偏微分方程隐变量学习 / Latent-Variable Learning of SPDEs via Wiener Chaos
这篇论文提出了一种新方法,仅通过观察随机偏微分方程的解,就能自动学习其内在的随机驱动规律,而无需事先知道噪声或初始条件,从而有效捕捉了系统的本质随机性。
世界模型中的观察者效应:侵入式适应会破坏潜在的物理规律 / The Observer Effect in World Models: Invasive Adaptation Corrupts Latent Physics
这篇论文发现,在评估神经网络是否真正学会了物理规律时,传统的微调或高容量探针等‘侵入式’评估方法会破坏模型内部已学到的潜在物理结构,而他们提出的‘非侵入式’线性解码方法能更准确地揭示模型是否内化了物理世界模型。
用于泊松逆问题的两个布雷格曼邻近算子的外分法 / External Division of Two Bregman Proximity Operators for Poisson Inverse Problems
这篇论文提出了一种新方法,通过引入一种基于两个布雷格曼邻近算子外分的新算子,并将其嵌入现有算法,来更稳定、更准确地从泊松噪声污染的线性模型中恢复稀疏向量,有效减少了传统方法的估计偏差。
螺旋Transformer:通过多分辨率递归学习层次依赖关系的循环Transformer / SpiralFormer: Looped Transformers Can Learn Hierarchical Dependencies via Multi-Resolution Recursion
这篇论文提出了一种名为SpiralFormer的新型循环Transformer架构,它通过在不同分辨率(即不同信息压缩程度)的表示之间进行循环计算,让模型能够更高效地学习数据中的层次化依赖关系,从而在参数和计算效率上都超越了传统的循环和非循环Transformer模型。
在高阶和块对角线性循环网络中改进状态混合 / Improved state mixing in higher-order and block diagonal linear recurrent networks
这篇论文提出了两种新型线性循环网络结构,通过让网络状态在时间和通道维度上更充分地混合,在保持计算效率的同时显著提升了模型处理长序列的能力。
用于高维机器人运动规划的多图搜索算法 / Multi Graph Search for High-Dimensional Robot Motion Planning
这篇论文提出了一种名为多图搜索的新型运动规划算法,它通过同时维护和扩展多个搜索图来高效地为高维机器人系统(如机械臂)规划出可靠且质量可控的运动轨迹,解决了现有方法在实时性和运动一致性上的不足。
凸马尔可夫博弈及其扩展:纳什均衡存在性的新证明、特性刻画与学习算法 / Convex Markov Games and Beyond: New Proof of Existence, Characterization and Learning Algorithms for Nash Equilibria
这篇论文将传统的马尔可夫博弈扩展到更一般的效用函数场景,证明了纳什均衡的存在性并揭示了其数学本质,同时设计了无需环境模型的学习算法,为多智能体在复杂协作场景中的决策提供了理论基础。
请先 登录 后再提交论文