几何特性如何影响黎曼流形上的生成模型评估
该研究系统对比了黎曼流形上测地线、环境空间与切空间版本的 Wasserstein 及 MMD 生成模型评估指标。基于受控噪声扰动与 Riemannian Flow Matching 样本实验发现，没有任何指标始终可靠，曲率和维度会影响测量差异与噪声敏感度。作者据此提出了报告评估距离、对比指标类型及依据样本几何校准指标的实用建议。
全部AI 动态
全部动态
今日 3 条arXiv stat.MLAI 评分3232 arXiv stat.MLAI 评分3030 基于距离轮廓的度量空间因果推断
研究提出基于距离轮廓的“轮廓因果效应” $\Delta(\omega,t)$，用于在度量空间中推断分布、协方差矩阵和网络等对象值结果的因果效应。该框架结合交叉拟合双重稳健分数、高维高斯近似与乘子自举，构建出同时置信带并实现全局检验。实验表明，该检验能捕捉 Fréchet 均值遗漏的集中效应，且在存在混杂时实证检验水准保持在名义水平附近。
arXiv stat.MLAI 评分3131 高保真联邦表格数据合成框架 FITS
研究者提出联邦表格数据合成框架 FITS，针对联邦学习场景下的混合类型表格数据解决分布保真度与混合变量处理难题。该框架核心是基于局部线性回归估计条件累积分布函数（CDF）的两步联邦算法，并通过连续化方法在密度函数与 CDF 层面无损恢复离散分布。实验表明，FITS 生成的合成数据能够提升所有客户端的下游任务表现。
arXiv stat.MLAI 评分2626 Nesterov 轨迹何时最终达到局部极小？
研究探讨了 Nesterov 加速方法轨迹在变分意义下何时最终达到局部极小，并证明该问题等价于相关薛定谔算子的非负性。针对形如 f(x)=(1/p)||x||^p 的幂函数目标（p ≥ 2 且初始位置非零），研究证明该轨迹最终局部极小当且仅当 p=4。研究还借助半线性椭圆方程的稳定性理论对 p=4 这一特殊指数进行了解释。
arXiv stat.MLAI 评分2525 带噪声测量的盲目随机搜索：几乎必然收敛与收敛速率
针对带噪声测量的全局优化问题，研究提出一种结合衰减接受阈值与噪声损失滑动平均的扩展盲目随机搜索算法，并证明其几乎必然收敛至全局最小值。收敛速率分析显示，该算法在低维情形下具有几乎必然渐近上界，在高维情形下其缩放后的损失差服从精确的 Weibull 极限分布。
arXiv stat.MLAI 评分2525 随机概率分布的核均值嵌入及其主成分
研究构建了随机概率分布在再生核希尔伯特空间中的核均值嵌入分析框架，确立了分布数据核统计方法的样本渐近性质。针对随机分布的主成分，研究给出了通用收敛结果，并导出了期望服从高斯分布的正态分布未中心化协方差算子的谱分解显式表达式。该核主成分流程的性能通过数值模拟与合成孔径雷达图像的强度分布分析得到了验证。
arXiv stat.MLAI 评分3333 并非所有错误标注都同等重要：基于置信序列的高效任务感知审核
研究人员提出 ATLAS 框架，结合随时有效推理与任务感知自适应策略，以显著降低数据集标签的人工审核量。在将错误率验证至 ±2 个百分点时，该方法在肯尼亚生物多样性数据和 CIFAR-10N 基准上比随机抽样分别减少 24% 和 11% 的审核；针对 Hill-Shannon 多样性等非线性评分，达到目标精度的审核量减少了 36%。
arXiv stat.MLAI 评分3535 TGAge：基于表格基础模型与 Gompertz 定律的辅助生活机构居民表型衰老时钟
研究提出面向辅助生活机构居民的第二代表型衰老时钟 TGAge，仅基于常规临床检测数据估算生物学年龄。TGAge 结合表格基础模型与 Gompertz 定律，通过预测离散时间区间的全因死亡风险并将其转化为生物年龄加速。评估显示其在生存预测上优于既有临床指标和生物衰老时钟，且估算的年龄加速与多种衰老合并症显著相关。
arXiv stat.MLAI 评分3232 GoCo：面向误差受控基因本体注释发布的结构引导共形校准框架
GoCo 是一种结构引导校准框架，无需重新训练预测器即可在控制基因级假发现率（FDP）的同时发布更多基因本体注释。在 alpha=0.10、delta=0.50 设置下，GoCo-M 保持 FDP 受控且比 Multilabel 多发布 6.3-17.6% 的参考支持 GO 词条。
arXiv stat.MLAI 评分3131 基于成对贝尔曼验证的离线策略评估模型选择
研究者提出成对贝尔曼验证（PBV），这是一种用于离线策略评估（OPE）模型选择的无调参极小极大方法，可直接利用留出样本在候选 Q 函数和占用比估计器中进行筛选。该方法通过候选模型成对差值构建 critic，仅需有限次经验矩计算，无需额外辅助模型或单独优化 critic，并具备有限样本 oracle 保证。在 Hopper 与 Deep OPE 基准上，PBV 表现出了具有竞争力的性能。
arXiv stat.MLAI 评分2828 鲁棒强化学习的可证明高效 Q-learning 算法
研究人员提出了一种面向鲁棒强化学习（RMDP）的样本高效异步 Q-learning 算法，以解决单轨迹马尔可夫数据下的无模型学习难题。在基于全变差（TV）距离不确定集合的无限时域设定下，该算法实现最优 Q 函数 entrywise $\varepsilon$ 近似的样本复杂度显著优于现有边界。该界限仅多出 $\frac{1}{1-\gamma}$ 因子，达到近乎极小化极大最优。
arXiv stat.MLAI 评分3434 深度线性网络中增加深度可改善困难任务的训练时间缩放
最新理论研究通过对深度线性网络的分析表明，任务谱决定了网络深度对训练时间缩放的影响，增加深度能提升谱困难任务的渐进训练时间缩放指数，而简单任务的指数与深度无关。研究进一步提出由预测器范数主导的时间重参数化，可统一描述不同难度下的动态，且重参数化后的损失缩放指数与深度无关。基于基准图像数据和非线性网络的数值实验也呈现了一致的定性结果。
arXiv stat.MLAI 评分2727 用于联合组稀疏与结构平滑的知识驱动非凸平方根正则化框架
研究者提出非凸平方根正则化框架 NS$^3$R，将无需已知噪声水平的平方根损失与非凸 $\ell_{2,q}$（$0 < q < 1$）惩罚结合，同时建模组稀疏与结构平滑先验。该方法具备严格的非渐近误差界，并配套开发了具有可证明全局收敛性的双重筛选算法 DS-IRLS-th。合成与真实数据实验表明，NS$^3$R 在有限样本设置下持续优于现有 SOTA 方法。
arXiv stat.MLAI 评分2828 超越 Wasserstein 邻近度：寻找更优的迁移源
新研究提出超越 Wasserstein 邻近度的迁移源选择方法，表明更宽的源变异性有助于提升迁移效果。
arXiv stat.MLAI 评分2626 黑盒模拟器的时序差分校准
研究人员提出一种用于黑盒模拟器校准的无导数时序差分（TD）框架，利用单步转移与带噪声延续值完成参数校准。基于贝尔曼正交性，研究设计了三种随机方向有限差分 TD 算法，并确立了四种查询噪声机制下的收敛性与均方误差界。该框架还引入少次重复在线 bootstrap 与无需额外查询的第二阶段 TD 递归，用以纠正剩余价值偏差。
arXiv stat.MLAI 评分3535 身份而非配对：基于嵌入向量验证的免分布错误接受控制
研究者提出 COVE 方法，通过将测试对与校准集样本联合排序，在身份可交换性下实现了免分布的错误接受率（FAR）控制，保证边际 FAR 不超过 $\lfloor\alpha N\rfloor/N$。
arXiv stat.MLAI 评分2727 基于树模型的健康数据合成：顺序设定对比全条件设定
研究对比了基于决策树条件分布模型的顺序设定与全条件设定在合成医疗数据中的表现，通过多项风险与效用指标评估数据质量。结果显示两种设定在综合表现上并无普遍优劣：顺序合成对变量排列顺序较为敏感，而全条件设定涉及更多超参数且计算成本更高，可能限制其作为开箱即用合成方案的适用性。
arXiv stat.MLAI 评分3535 Macro Mondrian 共形风险控制
针对共形风险控制（CRC）在不平衡分布下无法有效控制罕见样本风险的问题，研究提出 Macro Mondrian 共形风险控制方法。该方法结合 Mondrian 共形预测与宏观覆盖算法，通过分类法分组并依据分组概率重新加权风险，让罕见样本获得更高权重，从而实现用户自定义分组上的平均风险控制。该方法已在两个语义分割数据集上完成验证。
arXiv stat.MLAI 评分4040 扩散网络中的噪声传输负担：为什么图像预测能优于噪声预测
新研究提出扩散网络的噪声传输负担机制，解释了有限网络下清晰图像预测表现优于噪声预测的原因。理论分析表明，数据维度 $d$ 且秩 $r<d$ 的线性输入瓶颈会使噪声预测产生 $\sigma_t^2(d-r)$ 的去噪误差下限，而图像预测风险保持有界且精确预处理可消除该瓶颈。JiT 模型在 ImageNet 上的实验完全验证了该误差下限与模型宽度的光谱特性。
arXiv stat.MLAI 评分3333 基于模拟推断中汇总统计量的内在信息率
新研究将基于模拟推断（SBI）中的汇总统计量建模为有损信道，明确了观测压缩所需的信息预算与最优分配方式。理论表明所需预算随随机后验集中而无界增长，且在有限预算下，随机汇总的失真严格低于确定性汇总。在 4 个模拟器基准上，引入二值瓶颈的神经后验估计器验证了随机瓶颈具有更优的率失真权衡，且架构排名随预算而改变。
arXiv stat.MLAI 评分2828 时空预测中多少图信息才算过多？图构建与图暴露研究
时空预测研究揭示了图构建与图暴露方式对精度的关键影响，发现同一领域图在不同集成设计下相比纯 GRU 既可能改善也可能恶化预测误差。实验表明单独延迟集成效果不足，而引入融合门控在美国州失业率、交通速度和电力需求三项任务中均降低了平均误差。在固定延迟门控集成下，基于残差相关的图误差最低，表明图构建必须与集成机制协同评估。
arXiv stat.MLAI 评分3434 HIFI：面向基础模型的高效统计推断框架
HIFI 是一种面向基础模型的高效统计推断两阶段微调框架，相比直接重抽样可减少高达 91.9% 的训练算力。该框架先通过单次适配控制估计偏差，再利用轻量 PEFT 拟合残差来量化变异性，支持非参数 bootstrap 等多种重抽样方法。其在视觉和文本任务中支持数千万至超过 100 亿参数的模型，可提供精准点估计与良好校准的置信区间。
arXiv stat.MLAI 评分2929 潜在位置随机图的联合独立性检验
研究人员提出图希尔伯特-施密特独立性准则（GHSIC），用于检验 $M \ge 2$ 个潜在位置随机图（LPRGs）的联合独立性。该方法依托邻接矩阵的谱分解，无需选择核函数及其超参数，证明其估计收敛速率可达 $\tilde{O}\left(n^{-\frac{1}{3}}\right)$。实验在合成数据以及自然语言感知的大脑功能连接子网络分析中验证了该估计器的有效性。
arXiv stat.MLAI 评分2727 基于投影观测的分布鲁棒决策认证
标量测量无需识别潜在协方差即可在有限高斯投影实验中确定鲁棒决策，研究提出了能返回决策或未决结果的置信集认证机制。该方法通过标量轮廓将非线性风险比较转化为凸内部问题，并证明了可靠性与固定检查点认证保证。在 7 个合成算例中，联合校准矩区域给出的充分预算为显式期望样本信息下界的 21 至 52 倍，且在 1,900 次模拟流中实现了零决策错误。
arXiv stat.MLAI 评分3636 前推深度生成模型中的内在梯度障碍研究
研究表明，深度生成模型在表征重尾或多模态分布时的困难并非源于特定架构或训练，而是传输问题本身的内在梯度障碍所致。该研究建立了从对数凹源分布传输至目标分布时梯度与雅可比矩阵的定量下界，揭示了大导数对模型表达力与数值稳定性的制约。针对密度逼近任务，研究进一步提出了双射重参数化方法来缓解几何障碍并降低梯度负担。
arXiv stat.MLAI 评分4141 MetaARIMA：面向 ARIMA 模型的配置级迁移学习
MetaARIMA 提出了一种基于元学习的预训练配置策略，将配置级迁移学习引入经典 ARIMA 统计预测。该方法在推理时通过最大边际相关性与相继减半算法筛选最佳配置，保留了模型的可解释性与局部估计。在 M1、M3 及 Tourism 评测中其性能超越 AutoARIMA，并具备媲美 Chronos2、Moirai2 与 TimesFM 的零样本竞争力。
arXiv stat.MLAI 评分3131 面向上下文内离线策略评估的先验数据拟合网络 InCOPE
研究人员提出 InCOPE，一种用于上下文内离线策略评估（OPE）的先验数据拟合网络，通过在合成 OPE 任务上学习共享的策略价值预测规则。面对新的表格决策问题，该模型无需特定任务的参数更新，直接将行为策略数据集、目标策略与已知任务设置作为上下文来预测预期回报。在包含半合成临床环境的 4 个表格领域实验证明了其有效性。
arXiv stat.MLAI 评分2828 偏众数张量回归（PMTR）方法
研究人员提出偏众数张量回归（PMTR）方法，针对响应分布不对称、重尾或含异常值的高维张量数据，利用条件众数构建偏众数张量协方差以指导张量降维。该方法在降维后的空间内建立众数张量回归模型，在减轻直接向量化维度负担的同时保留张量内在结构，并支持通过数据驱动流程确定各模态的有效维度。
arXiv stat.MLAI 评分2828 紧致子流形上基于投影且具有几何无关差分隐私的联邦学习
DP-RFedProj 是一种针对紧致子流形的差分隐私联邦学习方法，通过闭式投影聚合参数并在固定环境几何中保护梯度。该方法提供显式记录级 $f$-DP 保证，收敛速率受流形内在维度而非环境维度影响，支持客户端运行各类一阶优化器。在 Stiefel 流形上的 SPDNet 实验中其表现优于欧氏基线，相同预算下添加噪声比最相近方法减少 5 到 6 倍。
arXiv stat.MLAI 评分2727 基于 MMD 目标的条件生成三角传输映射误差分析
一项针对条件生成中三角传输映射的研究表明，常见最小化联合 MMD 目标的做法在设定错误时无法保证恢复真实条件分布。研究提出了一种直接最小化条件准则的替代损失估计器，证明其非渐近误差界分解为近似、估计和参考采样误差，且收敛率在参数设定下独立于环境维度；分析进一步指出联合准则会遭遇条件变量的维度灾难，模型训练应直接针对条件误差。
arXiv stat.MLAI 评分3030 基于弱学习器的仿射不变三次牛顿法
研究者将仿射不变三次牛顿法（AICN）推广至带弱学习器的凸优化，提出 weak-AICN 并将其更新简化为带显式步长的阻尼弱牛顿步。在半强自协调条件下，该算法实现 $\mathcal{O}(1/\overline{\Theta}_k^4 k^2)$ 的全局收敛速率，显著优于 weak-GRN 的理论界。论文还提出了自适应调节正则化的 weak-AdaAICN，并证明牛顿坐标下降是该优化框架的特例。
arXiv stat.MLAI 评分3131 黎曼流形上平均随机梯度下降（RSGD）的在线协方差估计
针对流形上的平均黎曼随机梯度下降（RSGD），研究人员利用向量传输构建了重叠与非重叠在线协方差估计器，实现流形环境下的在线统计推断。该方法无需计算黎曼 Hessian 矩阵或预设终止样本量，收敛速度达到欧几里得空间对应方法水平，并在 Grassmann 流形的流式主成分分析（PCA）中得到验证。
arXiv stat.MLAI 评分2727 核化协方差矩阵、降维与不平衡谱聚类
研究人员提出基于截断核的核化协方差矩阵，为高斯混合模型（GMM）提供了优于传统 PCA 的降维与不平衡谱聚类方案。在集群规模比例发散的极端不平衡场景下，该方法不仅实现了更优的降维理论保证，还在更大的类内间距范围内确保准确聚类。仿真实验验证了该方法在处理不平衡聚类问题时的性能提升。
arXiv stat.MLAI 评分3333 机器学习鲁棒性的测度几何理论
新研究提出了机器学习鲁棒性的基础测度几何理论，将鲁棒性形式化为脱离保留任务状态的几何逃逸现象。该理论在统一框架下区分了参考流形上逃逸的结构可能性与环境实现机制，并引入逃逸几何的中观组织。框架通过显式定律表征脆弱质量、有限尺度形态与分支相干性等关联现象，为超越标量指标的分析提供了结构基础。
arXiv quant-phAI 评分2424 基于变分量子分类器的网络流量量子异常检测
该研究评估了四种变分量子分类器（VQC）在网络流量异常检测中的表现，其中更深电路 VQC-4 取得了最高 89.0% 的准确率。综合表现最佳的 VQC-3 结合了 ZFeatureMap 与 RealAmplitudes ansatz 并经 ADAM 优化，但在该合成数据上，SVM 和 Random Forest 等经典模型均实现了完美分类，展现出明显性能差距。
arXiv quant-phAI 评分2929 Wave Is All You Need：基于全连接量子玻尔兹曼机的量子语言模型
该研究提出基于全连接量子玻尔兹曼机（FC-QBM）的自注意力机制，并构建了量子语言模型 FC-QBM-LM。该机制通过语义量子态的酉演化隐式实现位置编码与自注意力计算，在数学上等价于经典自注意力机制。在唐诗语料上训练的 8-qubit 模型量子层仅需 44 个参数，并在 8 种噪声强度下保留了超 99% 的无噪声收敛性能。
arXiv quant-phAI 评分2929 量子水库计算中涌现的递归核
在量子水库计算中，采用 Haar 酉演化可在固定历史长度的大维度极限下推导出精确递归核，将核计算简化为与水库规模无关的标量递归。该核在降低计算复杂度的同时保留了模型表达能力，并支持通过调整记忆保留与时间交互阶数适配具体任务。在 NARMA10 benchmark 评测中，调优后的核预测误差低于测试的 Ising 及 Sachdev--Ye--Kitaev 水库。
arXiv quant-phAI 评分3333 用于时间序列处理的量子神经可塑性学习（QNL）
研究人员提出面向时间序列处理的量子神经可塑性学习（QNL），受生物突触机制启发通过资格迹动态重组量子油藏中的量子比特耦合。仿真测试显示，该方法能显著提升系统的记忆容量与长期召回能力。在 IBM 超导处理器 `ibm_fez` 上的 42 量子比特并行实验中，QNL 将信道均衡误码率从 9.7% 降至 2.2%。
arXiv quant-phAI 评分3030 利用量子哈密顿量下降实现参数化线路的全量子训练
研究提出利用量子哈密顿量下降（QHD）在量子计算机上直接完成参数化量子线路的全量子训练，通过编码参数的量子比特相干控制第二寄存器上的线路。该方法证明了模拟误差界与网格分辨率无关且最多随参数数量线性增长，并可通过动力学调度最小化量子门数量。基准函数与参数化线路测试显示，该设计在同等成本下显著提升了找到全局最小值的概率。
The Verge · AI精选AI 评分7979 OpenAI 宣布三项重大科学发现，并公布与学术界合作验证机制
OpenAI 宣布其 AI 模型在数学、计算机科学与物理学领域取得三项突破，包括声称否定指数时间假说（ETH）、证明波方程局部平滑猜想及四维量子场论存在性，相关模型输出与 Lean 证明已上传至 GitHub。针对计算机科学与物理学成果，OpenAI 邀请了外部专家团队进行审查与引导；但其数学顾问团 AGMAI 警告不应向指定学者提供早期特权访问，建议未来统一在学术仓库公开发布。
推荐理由：原文梳理了 OpenAI 科学发现的证据链与学者审查机制，有助于了解 AI 介入基础科学研究时的验证争议与学术协作范式。