Rethinking Few-Shot Image Fusion: Granular Ball Priors Enable General-Purpose Deep Fusion
该论文提出了一种基于“不完整先验”概念和粒球像素计算（GBPC）算法的少样本图像融合新方法，通过自适应损失函数使轻量级网络仅需少量图像对即可学习通用融合规则，在多个任务中实现了优异的视觉质量与模型紧凑性。
📊 Category
stat.ML
329 篇论文
Offline Dynamic Inventory and Pricing Strategy: Addressing Censored and Dependent Demand
本文提出了一种基于离线数据的创新算法，通过构建高阶马尔可夫决策过程并结合生存分析技术，有效解决了在需求具有依赖性和 censoring（截断）特性的动态库存与定价问题，从而估计出最大化长期利润的最优策略。
Panda: A pretrained forecast model for chaotic dynamics
本文介绍了名为 Panda 的预训练模型，该模型通过在进化算法发现的 2 万个混沌系统合成数据上进行训练，展现出零样本预测未见混沌系统、跨维度泛化（从常微分方程到偏微分方程）以及有效预测真实世界实验时间序列的涌现能力。
Two-sample comparison through additive tree models for density ratios
该论文提出了一种基于加法树模型和新型平衡损失函数的两样本密度比估计方法，该方法不仅支持高效的监督学习算法和广义贝叶斯推断以实现不确定性量化，还在数值实验中展现出高精度与计算效率，并成功应用于微生物组生成模型的质量评估。
Tensor Train Completion from Fiberwise Observations Along a Single Mode
该论文提出了一种仅利用标准线性代数运算、针对沿单一模式纤维观测的张量进行快速且确定性恢复的张量列车补全方法，该方法在满足合理确定性观测条件下无需随机性假设即可保证有效重建。
Absolute indices for determining compactness, separability and number of clusters
该论文提出了一种新颖的绝对聚类指标，通过定义簇的紧致性函数和簇间邻域点集来量化簇的紧致性与可分性，从而有效确定数据中的真实簇数量，并在多种数据集上验证了其优于传统相对指标的性能。
Maximum Risk Minimization with Random Forests
本文提出了一种基于最大风险最小化（MaxRM）原则的随机森林变体，通过设计高效算法并证明统计一致性，实现了在均方误差、负奖励和遗憾三种风险度量下的跨环境泛化，并针对遗憾风险给出了新分布下的泛化保证。
The Bayesian Geometry of Transformer Attention
该论文通过构建已知真实后验的“贝叶斯风洞”环境，证实了小型 Transformer 能够以极高精度实现贝叶斯推理，并揭示其通过残差流作为信念基底、前馈网络执行更新以及注意力机制进行内容寻址的几何机制，从而在架构层面解释了 Transformer 优于 MLP 的推理能力。
Gradient Dynamics of Attention: How Cross-Entropy Sculpts Bayesian Manifolds
该论文通过一阶分析揭示了交叉熵训练如何通过注意力分数的优势路由和值向量的责任加权更新，驱动注意力与内容协同专业化，从而在优化过程中塑造出支持贝叶斯推理的低维流形几何结构。
Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs
该论文提出了一种基于线性随机插值的概率流常微分方程的采样新方法，通过利用朗之万采样器高效生成中间分布样本并构建速度场估计器，实现了对未归一化玻尔兹曼分布的有效采样，并在理论上证明了收敛性，在数值实验中展现了处理高维多模态分布及贝叶斯推断任务的高效性。
Transfer learning for functional linear regression via control variates
本文提出了一种基于控制变量法的迁移学习新框架，用于解决隐私受限场景下的标量 - 函数回归问题，首次建立了其与偏移量迁移学习的理论联系，并推导了考虑离散观测平滑误差的收敛速率。
Error Analysis of Bayesian Inverse Problems with Generative Priors
本文针对利用生成模型作为先验的贝叶斯逆问题，建立了最小化 Wasserstein-2 距离的生成先验误差定量界，证明了后验误差在特定假设下继承先验的 Wasserstein-1 收敛速率，并通过数值实验及椭圆偏微分方程逆问题验证了该理论分析的有效性。
Time series forecasting with Hahn Kolmogorov-Arnold networks
本文提出了基于 Hahn 多项式激活函数的轻量级可解释模型 HaKAN，通过结合通道独立性、分块机制及 Hahn-KAN 模块，在长短期多变量时间序列预测任务中超越了现有的 Transformer 和 MLP 基线方法。
Singular Bayesian Neural Networks
该论文提出了一种基于奇异贝叶斯神经网络的参数高效方法，通过将权重矩阵参数化为低秩分解形式，在显著减少参数量的同时实现了优于传统均值场方法的校准性、分布外检测能力及泛化性能。
Emergence of Distortions in High-Dimensional Guided Diffusion Models
该论文通过统计物理和动力学平均场分析，揭示了高维条件下无分类器引导（CFG）导致生成多样性的丧失源于一种相变，并据此提出了一种引入负引导窗口的理论驱动调度方案，以在保持类别可分性的同时缓解方差收缩问题。
Universality of General Spiked Tensor Models
该论文证明了在噪声仅具有有限四阶矩而非高斯分布的假设下，非对称秩一张量模型的最大似然估计量在渐近谱分布、奇异值及模式对齐等方面仍表现出与高斯情形一致的普适性。
Online LLM watermark detection via e-processes
该论文提出了一种基于 e-过程的统一框架，用于实现具有任意时刻有效性保证的在线大语言模型水印检测，并通过构建经验自适应 e-过程提升了检测功效。
Rethinking Adam for Time Series Forecasting: A Simple Heuristic to Improve Optimization under Distribution Shifts
该论文针对时间序列预测中的分布漂移问题，提出了一种名为 TS_Adam 的轻量级优化器变体，通过移除二阶偏差校正来增强模型对非平稳数据的适应性，从而在无需额外超参数的情况下显著降低了预测误差。
Stability and Robustness via Regularization: Bandit Inference via Regularized Stochastic Mirror Descent
该论文建立了基于随机镜像下降的自适应采样稳定性理论，提出了一种兼具最小化遗憾与有效统计推断（如置信区间覆盖）能力的正则化 EXP3 算法，并证明了其在面对少量恶意污染时的鲁棒性。
SDSR: A Spectral Divide-and-Conquer Approach for Species Tree Reconstruction
本文提出了一种基于谱图理论的物种树重建可扩展分治算法 SDSR，该算法在理论保证下，通过递归划分物种子集并合并子树，在保持与全数据方法相当的重建精度的同时，显著提升了计算效率。