From Data Statistics to Feature Geometry: How Correlations Shape Superposition
该论文通过引入“词袋超叠加”（BOWS）实验环境，揭示了在真实数据中特征相关性可使干扰变为建设性，从而促使模型将特征按共激活模式排列以形成语义聚类和循环结构，弥补了传统超叠加理论仅关注稀疏无相关特征的不足。
🤖 Category
cs.LG
6376 篇论文
Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes
该论文提出了任务感知调制与表示学习（TAM-RL）框架，通过结合时空表示学习、知识引导的编解码架构以及基于碳平衡方程的损失函数，有效克服了现有数据驱动方法在泛化性和区域偏差上的局限，显著提升了全球陆地碳通量上推的精度与鲁棒性。
Online Neural Networks for Change-Point Detection
本文提出了两种基于神经网络和在线学习的变化点检测方法，它们具有线性计算复杂度，在合成及真实数据集上的实验表明其性能优于现有方法，并证明了算法的收敛性及其在特定条件下优于离线方法的优势。
Accounting for shared covariates in semi-parametric Bayesian additive regression trees
本文提出了一种半参数贝叶斯加法回归树（BART）的新方法，通过改进树生成机制来解决线性预测器与 BART 组件共享协变量时的非识别性与偏差问题，从而允许对主要关注的协变量进行复杂的交互建模，并在教育评估等实际应用中展现了优越性能。
A White-Box SVM Framework and its Swarm-Based Optimization for Supervision of Toothed Milling Cutter through Characterization of Spindle Vibrations
本文提出了一种结合群智能优化算法的白盒支持向量机框架，通过分析主轴振动特征并利用递归特征消除进行筛选，实现了对铣刀磨损及断裂等故障的实时监测与状态评估。
Automated Reinforcement Learning: An Overview
本文综述了自动化强化学习（AutoRL）的相关文献，涵盖了从 MDP 建模、算法选择到超参数优化的自动化工具及基于大语言模型的最新技术，并探讨了该领域的未来挑战与研究方向。
Explainable classification of astronomical uncertain time series
该论文提出了一种将数据不确定性作为额外输入的可解释子序列模型，在保持与最先进方法相当分类性能的同时，解决了现有可解释时间序列方法在处理天文不确定时间序列时性能不足的问题，并能为天体物理理论建模提供新的见解。
Empirical Asset Pricing via Ensemble Gaussian Process Regression
该论文提出了一种基于高斯过程回归的集成学习方法，用于预测股票条件预期收益，实证表明该方法在统计和经济指标上均优于现有机器学习模型，并能通过利用预测不确定性构建均值 - 方差最优投资组合，显著跑赢标普 500 指数。
Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part I
该论文研究了通过直接预测多步成本而非观测或动作来学习潜在状态表示的方法，并针对有限时变线性二次高斯（LQG）控制问题，首次建立了该成本驱动方法能够找到近优状态表示函数和近优控制器的有限样本理论保证。
On the Impact of Sampling on Deep Sequential State Estimation
本文提出将重要性采样应用于深度卡尔曼滤波框架以构建 IW-DKF 模型，通过引入更紧的蒙特卡洛目标函数，显著提升了非线性物理模型在生成性能、状态推断及参数估计方面的表现。
Remaining-data-free Machine Unlearning by Suppressing Sample Contribution
该论文提出了名为 MU-Mis 的机器学习遗忘方法，通过理论揭示样本贡献体现为模型对其敏感度的增加，并直接抑制这种敏感度，从而在无需访问剩余数据的情况下实现了与依赖剩余数据方法相当的高效遗忘效果，同时保持了模型在剩余数据上的效用。
Survey of Computerized Adaptive Testing: A Machine Learning Perspective
本文从机器学习视角出发，对计算机化自适应测试（CAT）进行了全面综述，深入探讨了测量模型、选题算法、题库构建及测试控制等核心环节如何利用机器学习技术进行优化，旨在推动心理测量学与机器学习的跨学科融合，以构建更稳健、公平且高效的自适应测试系统。
Simulating Non-Markovian Open Quantum Dynamics with Neural Quantum States
该论文提出了一种将环境记忆编码为耗散子（dissipatons）的神经量子态框架（NQS-DQME），通过构建耗散子嵌入量子主方程，在保持与精确层级运动方程相当精度的同时，显著提升了模拟非马尔可夫开放量子系统多体关联与记忆效应的可扩展性与可解释性。
LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks
本文提出了 LoRA-Ensemble，一种基于低秩适应（LoRA）的参数高效隐式集成方法，它通过让多个集成成员共享预训练自注意力网络并仅使用独立的低秩投影矩阵，在显著降低计算和内存成本的同时，实现了超越现有隐式技术、媲美显式集成且校准更优的预测性能。
Fast Explanations via Policy Gradient-Optimized Explainer
该论文提出了一种名为 FEX 的新框架，通过利用策略梯度方法优化概率分布来生成归因解释，从而在保持高质量和广泛适用性的同时，将推理时间和内存占用分别降低了 97% 和 70%，有效解决了现有解释方法效率低下的问题。
Exploring Diffusion Models' Corruption Stage in Few-Shot Fine-tuning and Mitigating with Bayesian Neural Networks
该论文揭示了扩散模型在少样本微调过程中存在的“腐蚀阶段”现象，并通过引入贝叶斯神经网络扩展学习分布，有效缓解了该问题并提升了生成图像的质量与多样性。
DKDL-Net: A Lightweight Bearing Fault Detection Model via Decoupled Knowledge Distillation and Low-Rank Adaptation Fine-tuning
本文提出了一种名为 DKDL-Net 的轻量级滚动轴承故障诊断模型，该模型通过解耦知识蒸馏与低秩自适应微调技术，在显著降低参数量（仅 6838 个）的同时实现了 99.48% 的高精度，性能优于现有最先进模型。
Estimating Treatment Effects under Algorithmic Interference: A Structured Neural Networks Approach
该论文针对在线内容平台因算法竞争导致的实验干扰问题，提出了一种结合算法选择与用户响应模型的半参数结构化框架，通过扩展双重机器学习理论来构建无偏估计量，从而准确评估算法全局推广效果并纠正传统估计量的严重偏差。
LAMBDA: A Large Model Based Data Agent
本文介绍了 LAMBDA，一种基于大语言模型的开源、无代码多智能体数据分析系统，它通过程序员与检查员角色的协同工作、用户直接干预机制以及外部知识集成能力，实现了高效且鲁棒的数据分析，从而降低了数据分析门槛并提升了人机协作效率。
OTAD: An Optimal Transport-Induced Robust Model for Agnostic Adversarial Attack
本文提出了一种名为 OTAD 的新型两阶段最优传输诱导防御模型，通过结合最优传输正则化与凸积分问题求解，在确保局部 Lipschitz 连续性的同时实现对训练数据的精确拟合，从而在多种架构和数据集上展现出优于现有方法的鲁棒性。