Fréchet regression of multivariate distributions with nonparanormal transport
本文提出了一种基于非高斯传输度量的弗雷歇回归新方法，通过将多元分布响应分解为边缘分布与依赖结构的独立回归，有效解决了高维分布数据回归中的计算与统计挑战，并证明了其理论收敛性。
📊 Category
stat.ML
329 篇论文
Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
该论文提出了一种基于轻量级深度生成架构的时空回归方法，通过内源性量化不确定性，在低频率流行病数据集上实现了优于现有基准的准确且可靠的概率预测。
Combining Adam and its Inverse Counterpart to Enhance Generalization of Deep Learning Optimizers
该论文提出了一种名为 DualAdam 的新型优化器，通过结合 Adam 及其逆版本 InvAdam 的更新机制，在确保收敛性的同时利用扩散理论帮助模型逃离尖锐极小值，从而在图像分类和大语言模型微调任务中显著提升了泛化性能。
Making LLMs Optimize Multi-Scenario CUDA Kernels Like Experts
本文提出了涵盖多场景的 MSKernelBench 基准测试及多智能体硬件感知系统 CUDAMaster，旨在突破现有 LLM 仅优化机器学习算子的局限，实现了在科学计算等广泛领域内媲美甚至超越 cuBLAS 等闭源库的 CUDA 内核自动化优化。
Conditional Rank-Rank Regression via Deep Conditional Transformation Models
该论文提出了一种基于深度条件变换模型（DCTM）和交叉拟合的改进型条件秩 - 秩回归方法，通过估计协变量调整后的条件秩来有效解决非线性、高阶交互及离散有序结果下的代际流动性测量难题，并建立了相应的渐近理论，在模拟与实证研究中均展现出优于传统方法的准确性与解释力。
Variational Flow Maps: Make Some Noise for One-Step Conditional Generation
本文提出了变分流图（VFMs）框架，通过将条件生成问题转化为学习适配观测的初始噪声分布，实现了在单步前向传播中生成高质量且校准良好的条件样本，从而在解决逆问题时显著超越了传统迭代扩散模型的效率。
Adversarial Latent-State Training for Robust Policies in Partially Observable Domains
该论文针对部分可观测强化学习中的潜在初始状态分布偏移问题，提出了对抗性潜在初始状态 POMDP 框架，通过理论证明最小最大原理并设计迭代最佳响应训练策略，在 Battleship 基准测试中显著降低了策略的鲁棒性差距，证实了结构化对抗暴露能有效缓解最坏情况下的脆弱性。
A Distributed Gaussian Process Model for Multi-Robot Mapping
该论文提出了一种名为 DistGP 的分布式多机器人学习方法，它利用稀疏高斯过程模型和基于高斯信念传播的分布式训练机制，在仅依赖局部数据的情况下实现了与集中式模型相当的精度，且在动态连接、稀疏通信及持续学习场景下优于现有的树结构高斯过程和分布式神经网络优化器。
Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part II
本文针对部分可观测的高维线性二次高斯控制问题，提出了一种通过预测累积代价来学习潜在状态表示的成本驱动方法，并建立了在无限时域下获得近优表示函数与控制器的有限样本保证，其核心贡献在于证明了由二次回归分析产生的新随机过程的持续激励性。
Probabilistic Inference and Learning with Stein's Method
这篇专著全面概述了基于Stein方法的概率推断与学习的理论与方法，详细阐述了Stein算子与Stein集的构建、Stein差异的性质及其与Stein变分梯度下降的联系，并提供了严谨的定义、结果及证明参考。
Beyond Data Splitting: Full-Data Conformal Prediction by Differential Privacy
该论文提出了一种基于差分隐私的全数据共形预测框架，通过利用隐私机制带来的稳定性并配合保守的分位数估计，在无需数据划分的情况下实现了比现有私有基线更锐利的预测集，并在渐近意义上恢复了标称覆盖率。
An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series
本文提出了 ReGEN-TAD 框架，这是一种融合现代机器学习与计量经济学诊断的可解释生成式模型，旨在通过结合联合预测与重构机制，在无标签数据下有效检测高维金融时间序列中的结构不稳定性和异常，并提供经济上可解释的因子级归因。
Reject, Resample, Repeat: Understanding Parallel Reasoning in Language Model Inference
本文通过粒子滤波（如序贯蒙特卡洛）的视角，为语言模型推理中的并行采样方法建立了理论框架，揭示了采样误差与奖励评估次数之间的非渐近关系，并指出了该方法在理论保证与最终准确率之间的根本局限。
Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids
该论文提出了一种集成蒙特卡洛 Dropout、变分前馈层及随机注意力机制的贝叶斯 Transformer 框架，通过多分位数预测与校准技术，在多个电网数据集上实现了优于现有深度集成和确定性模型的负荷概率预测性能，特别是在极端天气下能提供更准确且校准良好的不确定性估计。
Robust Transfer Learning with Side Information
本文提出了一种利用源域侧信息（如特征矩界、分布距离和密度比）构建估计中心不确定性集的转移学习框架，通过融合有限目标样本与侧信息来生成更紧致的不确定性集，从而在环境发生显著偏移时有效缓解传统分布鲁棒优化方法的过度保守问题，显著提升了目标域策略的样本效率与性能。
RL unknotter, hard unknots and unknotting number
该论文提出了一种强化学习流程，通过训练智能体学习雷德迈斯特移动策略，成功简化了极难结图，并验证了复合结$4_1\#9_{10}$的 unknotting number 上界为 3。
Local Constrained Bayesian Optimization
本文提出了一种名为局部约束贝叶斯优化（LCBO）的新框架，通过利用约束惩罚代理的可微地形在快速局部下降与不确定性驱动的全局探索之间交替，有效解决了高维约束优化中的维度灾难问题，并在理论收敛性和实验表现上均优于现有方法。
Amortizing Maximum Inner Product Search with Learned Support Functions
该论文提出了一种名为“摊销最大内积搜索”的基于学习的方法，通过训练输入凸神经网络（SupportNet）直接建模作为支撑函数的最大内积值，或训练向量值网络（KeyNet）直接回归最优键，从而利用梯度和欧拉定理等数学特性，高效地将固定分布查询与键集的匹配成本摊销化。
Explainable Condition Monitoring via Probabilistic Anomaly Detection Applied to Helicopter Transmissions
该论文提出了一种仅利用健康数据、基于贝叶斯视角的概率异常检测方法，通过量化不确定性并提供可解释性工具，在直升机传动系统等安全关键场景中实现了具有竞争力的故障检测与预警性能。
Are We Winning the Wrong Game? Revisiting Evaluation Practices for Long-Term Time Series Forecasting
本文批判了当前长时序预测领域过度依赖均方误差等聚合指标进行基准排名而忽视实际决策价值的现状，主张构建融合统计保真度、结构一致性与决策相关性的多维评估体系，以引导研究从单纯追求榜单分数转向解决具有实际意义的预测问题。