Forcing with random variables in bounded arithmetics and set theory

本文从集合论力迫法的视角分析了 Krajicek 在 bounded 算术中发展的布尔值随机力迫 BM,ΩB_{M,\Omega},证明了在特定非标准模型下该力迫代数同构于 $2^{\omega_1}$ 上的概率代数,并研究了其生成的扩展模型中“新整数”与“原模型整数”的序结构关系,从而为有界算术中的力迫法提供了一种基于集合论框架的替代性解释。

Radek HonzikThu, 12 Ma🔢 math

Quantifying Information Loss under Coarse-Grained Partitions: A Discrete Framework for Explainable Artificial Intelligence

本文提出了一种基于粗粒度划分(CGPs)的离散框架,通过引入范畴统一(CU)和基于 KL 散度的信息损失度量 DKL-CUD_{\mathrm{KL\text{-}CU}},为可解释人工智能中准确性与可解释性之间的权衡提供了数学形式化分析,并揭示了零信息损失在常规评估实践中是极罕见的极限情况。

Takashi Izumo2026-03-10🤖 cs.AI