SPPCSO: Adaptive Penalized Estimation Method for High-Dimensional Correlated Data
本文提出了一种名为 SPPCSO 的自适应惩罚估计方法，通过结合单参数主成分回归与正则化，有效解决了高维相关数据中的多重共线性问题，在实现变量选择一致性的同时显著提升了模型在强噪声环境下的稳定性与预测精度。
📊 Category
stat.ML
333 篇论文
Synthetic Monitoring Environments for Reinforcement Learning
该论文提出了合成监控环境（SMEs），这是一个具有无限连续控制任务、已知最优策略及可精确计算即时后悔值的标准化测试框架，旨在通过解耦环境复杂性因素，将强化学习评估从经验性基准测试转变为严谨的科学分析。
Robust support vector model based on bounded asymmetric elastic net loss for binary classification
本文提出了一种基于有界非对称弹性网损失函数的鲁棒支持向量机（BAEN-SVM），通过理论证明其几何合理性、噪声鲁棒性及泛化能力，并设计了高效的半二次优化算法，实验表明该方法在含噪数据下的分类性能优于传统及先进的 SVM 模型。
Certified and accurate computation of function space norms of deep neural networks
本文提出了一种结合区间算术、自适应细分及数值积分的框架，能够直接利用神经网络结构，在无需强假设的情况下，为深度神经网络的函数空间范数（如 和 Sobolev 范数）及 PINN 残差提供严格且准确的确定性上下界计算。
Bayesian Additive Distribution Regression
本文提出了一种名为 DistBART 的贝叶斯非参数分布回归方法，该方法通过将回归函数建模为带有贝叶斯加法回归树（BART）先验的线性泛函，并结合随机特征近似技术，在实现可扩展计算效率的同时，有效处理了分布型预测变量并保留了不确定性量化能力。
Semantics-Aware Caching for Concept Learning
该论文提出了一种语义感知缓存方法，通过建立概念与实例集合之间的子sumption感知映射，显著降低了概念学习过程中因大量实例检索导致的运行时开销，在多种推理器和分页策略下均能将运行时间减少一个数量级。
Bounds on Representation-Induced Confounding Bias for Treatment Effect Estimation
本文提出了一种与表示无关的神经反驳框架，用于在条件平均处理效应（CATE）估计中，通过理论推导和实验验证来界定由降维表示学习所引发的混淆偏差的上下界，从而解决低维表示导致信息丢失进而破坏估计有效性的问题。
Onflow: a model free, online portfolio allocation algorithm robust to transaction fees
本文介绍了 Onflow，一种基于强化学习和梯度流的无模型在线投资组合分配算法，它能在无需假设资产回报分布的情况下，通过动态调整策略在考虑交易成本时实现优于传统方法的性能，并在零成本下复现马科维茨最优组合。
Geometry of Singular Foliations and Learning Manifolds in ReLU Networks via the Data Information Matrix
该论文提出利用训练有素的 ReLU 分类器构建数据信息矩阵（DIM），从而在数据空间上揭示出一种几乎处处正则的奇异叶状结构，并展示了该结构在刻画数据分布及通过谱分析度量数据集距离以实现知识迁移方面的潜力。
Are Bayesian networks typically faithful?
该论文证明了在多种贝叶斯网络参数化模型（包括条件指数族、非参数模型及含隐变量情形）中，满足忠实性假设的参数集在相应拓扑下是稠密且开的，从而确立了忠实性在因果推断中的“典型性”，并保证了 PC 和 FCI 等约束型因果发现算法在典型情况下的渐近一致性。
Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
该论文针对医疗因果推断中常被忽视的治疗效应随机性（即偶然性不确定性）问题，提出了一种名为 AU-learner 的新型正交学习器，通过偏识别方法获得条件治疗效应分布（CDTE）的紧确界，并证明了其满足 Neyman 正交性且具备准 Oracle 效率，同时给出了基于深度学习的参数化实现。
Finance-Informed Neural Network: Learning the Geometry of Option Pricing
该论文提出了一种名为 FINN 的金融信息神经网络，通过基于动态对冲的自监督学习目标，将金融理论直接融入机器学习，从而在无需依赖期权市场价格数据的情况下，能够一致且稳健地推导出无套利定价、希腊字母及隐含波动率曲面，并适用于缺乏流动性的资产定价。
Adaptive Prior Selection in Gaussian Process Bandits with Thompson Sampling
该论文针对高斯过程贝叶斯优化中先验假设未知的实际问题，提出了基于 Thompson 采样的两种联合先验选择与遗憾最小化算法（PE-GP-TS 和 HP-GP-TS），并从理论 regret 上界及实验验证两方面证明了其有效性。
Weighted Random Dot Product Graphs
本文提出了一种非参数加权随机点积图（WRDPG）模型，该模型通过节点潜在位置的内积来刻画边权分布的各阶矩（而不仅限于均值），并推导了基于邻接谱嵌入的估计量的一致性与渐近正态性，同时构建了支持加权图生成与统计推断的完整框架。
Distribution estimation via Flow Matching with Lipschitz guarantees
本文通过研究控制流匹配向量场利普希茨常数依赖性的假设，推导出了在高维设置下优于以往结果且无需对数凹性条件的估计分布与目标分布间 Wasserstein 1 距离的收敛速率。
Busemann Functions in the Wasserstein Space: Existence, Closed-Forms, and Applications to Slicing
本文研究了 Wasserstein 空间中 Busemann 函数的存在性与计算，推导了一维分布和高斯测度下的闭式解，并据此提出了针对高斯混合模型及标注数据集的新型切片 Wasserstein 距离方案，在合成数据与迁移学习任务中验证了其高效性。
Refereed Learning
该论文提出了“裁判式学习”新范式，通过引入两个相互竞争的证明者（仅一人为诚实），使学习器仅需极少次对真实函数的查询和通信成本，即可在极高精度下选出优于单证明者方案的黑盒模型。
Belief Dynamics Reveal the Dual Nature of In-Context Learning and Activation Steering
该论文从贝叶斯视角出发，提出了一种统一框架，将提示词（上下文学习）和激活干预解释为分别通过证据累积和先验改变来调整模型对潜在概念的信念，从而成功预测并解释了大语言模型在多种干预下的行为动态。
Approximate Bayesian inference for cumulative probit regression models
本文针对累积概率回归模型在大数据场景下贝叶斯推断计算效率低的问题，提出了三种基于变分贝叶斯和期望传播的可扩展近似算法，并通过模拟与犯罪网络案例研究证明了其在保持高精度的同时显著优于传统马尔可夫链蒙特卡洛方法的计算性能。
Entropic Confinement and Mode Connectivity in Overparameterized Neural Networks
该论文通过揭示优化动力学中曲率变化与噪声相互作用所产生的熵垒，解释了为何过参数化神经网络的损失景观中虽存在低损耗连通路径，但优化过程却倾向于局域化在单一凸盆地内的悖论。