基于条件流匹配的马尔可夫过程间传输方法
研究者提出一种基于流匹配的算法，在保持马尔可夫结构的前提下学习从源分布到目标轨迹分布的传输映射，并证明了其在总体极限下的一致性，在混合时间假设下给出了有限样本误差界。在 THINGS-EEG2 的 EEG 图像检索任务上，该方法为 ENIGMA 解码器在受试者特定时间映射前加入条件流，将平均 top-5 检索准确率从 43.87% 提升至 49.05%，相对提升 11.82%。
全部 AI 动态
arXiv stat.MLAI 评分2222 arXiv stat.MLAI 评分2424 语言模型中的柏拉图表示理论：多语言模型跨语言相似性为何在中层达到峰值
一项理论研究为多语言语言模型中层跨语言表示相似性现象提供了理论解释。研究者用共享上层但下层产生式规则不同的概率上下文无关文法生成合成语言，证明贝叶斯最优下一 token 预测器即信念传播（BP），将其消息编码进连续层所得解析预测与在同数据上训练的 Transformer 高度吻合。
arXiv stat.MLAI 评分2222 FID 的样本最优估计：RTD 算法实现 O(d/ε²) 样本复杂度
研究提出 Relative Taylor Debiasing（RTD）算法，用于估计生成模型评测指标 FID，达到 O(d/ε²) 的样本复杂度并证明其最优性。
arXiv stat.MLAI 评分1313 ALCATRAs：面向部署不对称的多任务主动学习框架
研究者提出 ALCATRAs 框架，在标注阶段按预算选择性采集辅助信息、部署阶段则无法获取这类信息，以解决由此产生的"设计性缺失"问题。该框架由任务选择策略与代理学习程序两部分组成，理论上可改善预测误差界。仿真实验与 UCI 心脏病队列应用显示，其样本效率优于基线方法。
arXiv stat.MLAI 评分2626 自我监控的测试时自适应为何失效：多步时间序列预测中的可交换性假设崩塌
多步时间序列预测中，当监控与自适应共用同一预测误差反馈时，重叠目标与误差依赖会破坏监控统计保证所依赖的关键假设，导致无有害变化时也触发警报并进一步损害预测质量。研究还发现自适应会把持续性变化从自身监控中隐藏，而原始冻结模型反而保留更清晰的信号。
arXiv stat.MLAI 评分1313 递归熵风险强化学习的近最优样本复杂度：基于生成模型的分析
针对递归熵风险偏好（风险参数 β≠0）下的有限折扣 MDP，研究者对基于生成模型的风险敏感 Q 值迭代（MB-RS-QVI）进行了精细化分析，给出了学习最优 Q 值函数与 ε-最优策略的 (ε,δ)-PAC 保证。
arXiv stat.MLAI 评分1212 平均场 Langevin 动力学中统计特征学习的几何理论
研究提出监督回归中统计特征学习的几何框架，通过底-纤维分解定义特征学习，并证明球形平均场 Langevin 动力学具备该性质。在高斯多指标模型中，低温平稳分布集中于隐藏指标附近形成多尖峰结构，在温度 λ≍1 处发生急剧转变，并实现高概率参数恢复。高斯单指标模型的平稳测度则依奇偶性分别落在 S₂^{d-1} 或 ℝP^{d-1} 上，学习到的特征空间对齐回归信号，收敛速率为 d/N 与 Md/N。
arXiv stat.MLAI 评分1717 DireSMC：用序列蒙特卡洛引导扩散模型采样稀有事件
研究者提出 DireSMC，一种序列蒙特卡洛方案，通过引导带权样本群体逼近稀有事件，同时给出该事件概率的校准估计。该方法在基于分数模型的气候模拟器上，对 10^-3 至 10^-5 的稀有事件概率取得准确结果，相比蒙特卡洛实现 9 倍至 1413 倍的净加速。
arXiv stat.MLAI 评分2727 信息密集型合成加速分子发现：用混合物池筛选替代逐个分子测试
研究者提出一种算法控制的随机合成方法，通过设计并合成复杂混合物、以池为单位测试后再解卷积分子-活性图谱，从而高效搜索大范围分子空间。理论上可将从 d 个候选分子中找到最优分子所需的实验次数从 O(d) 降至 O(log d) 或 O(1)，在模拟的蛋白质适应度景观上比现有贝叶斯优化方法少一个数量级实验即可找到活性分子。
arXiv stat.MLAI 评分2222 一次性差分隐私置信区间：重采样框架将隐私成本降至对数级
研究者提出一种一次性构建差分隐私置信区间的框架，仅对最终重采样分位数加噪，而非对每次重采样的估计量做隐私化处理。在 m-out-of-n 有放回采样下隐私成本仅为重采样次数 B 的对数级，在无放回子采样下与 B 无关，避免了此前工作中的 √B 因子。该工作已被 NeurIPS 2026 接收，为非渐近高斯差分隐私（GDP）与效用提供保证，覆盖分位数和退化 U 统计量等估计量。
arXiv stat.MLAI 评分1313 稀疏支持向量机的高维统计推断
研究者提出一套针对稀疏支持向量机（SVM）的高维统计推断框架，在样本量与特征数成比例增长时，通过将 L1 惩罚 SVM 表示为线性规划并借助对偶变量识别 hinge 损失次梯度，得到坐标渐近高斯的去偏估计量。该方法可给出单个特征的置信区间与假设检验，并实现错误发现率受控的变量选择，在强相关协方差结构下的模拟及高维乳腺癌基因表达数据分析中验证了校准、功效与变量选择表现。
arXiv stat.MLAI 评分1212 基于生成过程的两样本检验
研究者提出一种基于生成式传输的两样本检验方法：直接在两个样本间构建随机插值，利用对称调度下时间反射 t↦1-t 的分布不变性，通过计算 t 与 1-t 时刻边缘分布的 Jensen-Shannon 散度来判断两组样本是否同分布。该方法无需学习、通过置换校准获得精确有限样本水平，在窄加宽噪声设计下达到极小极大分离率 n^{-2s/(4s+d)}，实验表现匹配或优于 SOTA 核两样本检验。
arXiv stat.MLAI 评分2424 一张卫星图像包含多少独立样本？空间相关数据的泛化边界
针对空间自相关导致相邻像素信息冗余、样本量被高估的问题，研究证明 n×n 图像在相关范围为 r 像素时有效样本量为 Θ(n²/r²) 而非 n²，并给出紧致下界表明无算法能更优。
arXiv stat.MLAI 评分1212 无密度模拟假设检验的随时有效序贯检验方法
针对仅能获取 P0 与 P1 独立同分布模拟样本、无法获得解析密度的场景，研究者构造了 e-test 鞅，实现具有随时有效第一类错误保证的序贯检验。该方法具备近似增长最优性、几何衰减的第二类错误界，且渐近功效为 1。
arXiv stat.MLAI 评分1818 ProximalFM：隐藏混杂下的摊销近端因果推断
针对隐藏混杂下近端因果推断需求解病态积分方程、对数据量和超参数敏感的问题，研究者提出 ProximalFM，用 prior-data fitted networks（PFNs）将贝叶斯算子反演摊销为单次 Transformer 前向传播，直接建模 CATE 的贝叶斯后验分布。
arXiv stat.MLAI 评分2222 随机梯度下降上升（SGDA）在非凸-PL极小极大博弈中并非最优
研究证明，固定时间尺度比与非递增步长的双时间尺度 SGDA 在非凸-PL 博弈中复杂度下界为 Ω(κ²ℓε⁻²+κ⁴ℓσ²ε⁻⁴)，与现有 SGDA 上界吻合，并与 Smoothed-AGDA 形成复杂度分离。当时间尺度比小至 o(κ²) 时，SGDA 甚至无法找到稳定点，凸显其在 NC-PL 博弈中的根本局限。
arXiv stat.MLAI 评分2424 用 AI 评委做可信方法比较：顺序、批次与聚合效应下的估计与设计
研究将 LLM 评委的评测机制近似为一类 Markov GLMM，并在三个主流商用 LLM 上通过样本外预测验证。基于一阶 Markov GLMM 的分析显示，随机化提示词顺序再取平均的排行榜选择在温和分离条件下具有一致性，Williams 方设计可在项目质量接近时提升效率；而分组比较中，由于响应模型的非线性，简单平均可能得出关于组间质量差异的不一致结论。
arXiv stat.MLAI 评分2222 高维在线校准的调和权重方法：d 个二值结果同时预测实现 d^{O(1/ε)} 轮 ε-校准
研究者提出一种基于调和权重的在线校准算法，对 d 个二值结果同时预测（Y=[0,1]^d）可在 d^{O(1/ε)} 轮内实现 ε-校准，将维度依赖从指数级降至多项式级。该方法对多分类预测（Y=Δ_d）同样达到 d^{O(1/ε)} 速率，优于此前 d^{Õ(1/ε²)} 的界。算法每轮输出过去结果的调和加权分布，其权重源于离散 Hilbert 变换矩阵在任意 L 范数下达到最优差异度。
arXiv stat.MLAI 评分1717 多臂老虎机中的 Nash 社会福利：轨迹级期望与高概率遗憾
研究针对以累积奖励几何平均衡量的 Nash 社会福利（NSW）目标，提出轨迹级 Nash 遗憾，先对完整样本路径取几何平均再求期望，比原有指标更严格。同时给出首个高概率 Nash 遗憾界，其两阶段算法 RR-NCB 结合轮询探索与 Nash 置信界索引策略，达到 Õ(√(k/T)) 的最优速率。该工作已被 NeurIPS 2026 接收。
arXiv stat.MLAI 评分1212 亚高斯数据上测度到测度 Transformer 的稳定性研究
一项数学研究证明，Transformer 将亚高斯输入映射为亚高斯输出，从而保证任意长度 softmax 算子复合的良定义性。研究进一步证明 Transformer 关于 1-Wasserstein 距离满足 Hölder 连续性，并据此给出亚高斯输入与其经验近似之间沿 Transformer 的误差传播估计。
arXiv stat.MLAI 评分2626 均匀离散扩散模型在有效支撑集较小时达到极小极大最优分布估计
针对均匀离散扩散模型，研究者证明在 $[K]^d$ 上从 $n$ 个 i.i.d. 样本估计未知分布 $P_0$ 时，期望 TV 损失以 $O(\sqrt{s_n(P_0)/n})$ 缩放，KL 散度上界为 $O(\frac{1}{n}s_n(P_0)\log(eK^d/s_n(P_0))\log n)$，其中 $s_n(P_0)$ 为有效支撑集大小。
arXiv stat.MLAI 评分1212 序贯校准突破 T^{2/3}：显式渐近界 O(T^{0.662942288})
研究者为序贯校准问题给出首个显式低于 2/3 的指数界 O(T^{0.662942288})。方法上提出两阶段递归标注策略，为 sign-preservation-with-reuse 博弈给出 O(n^α t^β) 界，并改进 Dagan 等人的归约，仅用 O(log T) 次该博弈实例即可从符号保持上界推出校准上界。
arXiv stat.MLAI 评分2121 梯度 EM 学习高维高斯混合模型是否必须 Ω(√d) 分离？
针对梯度 EM 在过参数化设置下学习高斯混合模型需真值分量分离度达到 Ω(√d) 的已知结论，该论文证明这一维度依赖在高维下不可避免。作者考虑对混合权重用标准 EM、对分量均值用梯度 EM 的混合算法，证明当维度足够大时，即便在过参数化情形下，Ω(d^{0.5-ε}) 量级的分离度也不足以在次指数时间内保证随机初始化下总体梯度 EM 的全局收敛，从而给出近乎最优的最坏情况下界。
arXiv stat.MLAI 评分2222 无顶点对应的随机图双样本检验：需要多少张图、哪些统计量有效
针对顶点无对应的随机图双样本检验，研究给出样本量下界：在 Erdős–Rényi 零假设与保持各期望度不变的两块植入差异下，每组需 m≍t^{-3} 张图（t<1 为单图信噪比），带符号三角形计数可达到该速率；顶点对齐时仅需 m≍t^{-1}，错位代价约为 t^{-2}。
arXiv stat.MLAI 评分1717 L0MO：基于稀疏 RKHS 流形的函数空间贝叶斯优化
研究者提出 L0 Manifold Optimization（L0MO），一种函数贝叶斯优化（FBO）方法，在再生核希尔伯特空间（RKHS）中搜索由核函数稀疏表示构成的子集，同时优化核位置与系数。该方法统一了既有 FBO 工作的视角，并构建了一套将标准有限维测试函数移植到无限维域的新基准。实验显示，L0MO 在广泛测试基准上总体取得优于当前最优方法的性能。
arXiv stat.MLAI 评分2222 HyperNSDE：面向静态-纵向临床数据联合生成的个性化神经 SDE
HyperNSDE 是一种连续时间生成模型，通过超网络将潜在 Neural SDE 以静态患者表征为条件，无需轨迹编码器即可让基线特征影响轨迹演化。模型通过潜在状态依赖的强度过程联合建模观测时间，并用确定性-随机路径分解与非对抗性签名核目标稳定不规则随机路径训练。在模拟和真实临床数据集上，观测时间保真度提升，预测与相关性指标受观测网格规律性和轨迹平滑度影响。
arXiv stat.MLAI 评分1212 面向缺失协变量的假设宽松逻辑回归估计方法
研究者提出一种基于 Z-estimation 与新型单调算子的随机近似方法，在协变量分布未知但有界的假设宽松设定下，实现缺失协变量逻辑回归的参数估计，并在协变量完全随机缺失时达到参数速率下的信号恢复。理论刻画了估计量的 ℓ2² 风险与缺失模式的依赖关系，证明其始终优于忽略缺失数据的 complete-case 估计，并给出信息论下界说明该依赖在 minimax 意义下是本质的。
arXiv stat.MLAI 评分1818 自然梯度下降有多低效？从精确最优到 Θ(√log d) 散度
研究量化了自然梯度下降（NGD）相对 Fisher–Rao 测地线的低效比 R≥1，并证明其随参数维度 d 的变化分三种情形：二次势族（如固定协方差高斯）处处 R=1；有界三阶偏度加有限 Fisher–Rao 直径时 R 有与维度无关的上界；尺度族乘积（含高斯协方差与 Gamma 速率）下 R 以 Θ(√log d) 增长、随 d 无界。
arXiv stat.MLAI 评分1515 ORUCB：在线延迟决策中学习修正专家答案
研究者提出 ORUCB，在在线学习延迟（online learning to defer）场景中，让学习器在购买专家答案前先固定一个修正函数，再对收到的答案应用该函数。该方法通过池化共享与专家专属的多项式响应，在固定问题参数下实现高概率伪遗憾 O(√T log(T+1))。在四个测试流上，所选三次策略的费用包含成本低于七个直接使用原始答案的基线。
arXiv stat.MLAI 评分1212 软注意力如何学习上下文中的决策树桩阈值：Softmax Attention 动态分析
研究用两参数 softmax-attention 模型分析基于梯度的预训练如何学习决策阈值：在大分辨率初始化下，对 m 个任务（每个 n 个样本）做恒定步长梯度下降，可得到误差为 Õ((m∧n)⁻¹+N⁻¹) 的冻结估计器，两项分别对应有限预训练精度与新上下文定位。
arXiv stat.MLAI 评分2020 sHAIL-Causal：面向不变因果预测器发现的序列阶梯方法
sHAIL-Causal 是 sHAIL 学习框架的因果特化版本，通过拟合优度饱和与跨环境不变性的联合准则，沿嵌套假设类 H_0 < H_1 < ... < H_K 逐级上升，替代结构风险最小化的复杂度控制。
arXiv stat.MLAI 评分1212 Fuse-EIV：面向误差变量问题的数据融合估计方法
研究提出条件可迁移性假设，在源研究与目标研究存在人群异质性、测量误差分布依赖观测变量的条件下，利用外部重复测量识别目标条件测量误差分布，并据此构建数据融合估计器 Fuse-EIV。
arXiv stat.MLAI 评分1717 用于多变量函数数据异常检测的低秩结构化稀疏张量分解
研究提出 ES-CP 与 FG-Lasso 两种无监督稀疏张量分解方法，通过低秩 CP 分解建模正常过程行为，分别用逐元素 ℓ1 惩罚和逐元素加纤维级惩罚检测局部异常与时间纤维内异常。在多通道锻造过程案例中，FG-Lasso 与 ES-CP 的 macro F₁ 分别达 0.85 和 0.82，高于 TRPCA 和 PCA 类检测器的 0.69 或更低。
arXiv stat.MLAI 评分1212 Memory Prediction Excess：随机过程中预测增益与记忆长度的概率度量
研究者提出 Memory Prediction Excess（MPE），用于量化离散时间有限状态过程中，使用全部历史相比仅用静态边缘分布所带来的预测准确率平均提升。MPE 恒为非负，其上限取决于静态准确率，并给出归一化版本与有限历史 MPE（FH-MPE），据此定义达到全历史预测性能所需的最小记忆长度；对有限阶马尔可夫链，该长度被证明不超过马尔可夫阶数。
arXiv cs.AIAI 评分3636 TAPDreamer：面向世界动作模型的可迁移对抗补丁
TAPDreamer 是一种针对世界动作模型的可迁移对抗补丁攻击，仅用公开编码器构造固定局部扰动，无需查询目标策略即可跨任务和动作架构迁移。
arXiv cs.AIAI 评分2222 Local2Mesh：从稀疏 2D 心脏 MRI 轮廓到网格的左心室重建框架
Local2Mesh 提出一种空间局部化的轮廓到网格框架，无需 3D 网格标注即可从稀疏 2D 轮廓重建 3D 左心室几何，通过几何感知对齐校正层间错位，并用平面感知 Local Router 按顶点到平面距离将轮廓特征路由至模板顶点。
arXiv cs.AIAI 评分2222 在线实验中的激励对齐：用样本拆分与收缩机制解决去中心化实验的委托代理冲突
针对在线平台实验操作去中心化导致的委托代理冲突，研究者将实验设计重构为激励设计问题，提出样本拆分与收缩两种机制。样本拆分以有界流量成本实现激励完全对齐，收缩机制不消耗额外流量且能保证负期望效应的干预无利可图。该工作指出传统显著性阈值和流量预算等集中式手段无法解决这一结构性失效。
arXiv cs.AIAI 评分2626 BoNG：面向测试时扩散模型对齐的 Best-of-N 引导方法
研究者提出 Best-of-N Guidance（BoNG），将 BoN 采样直接融入反向扩散过程，通过去噪粒子间的非对称引导交互，把粒子群导向更高奖励区域。在 36 项对比中 BoNG 有 29 项表现最佳，对 SMC 和 Vanilla BoN 的胜率达 80.56%。该方法支持多输出，ImageReward 分数为最新基于采样的引导方法的 1.3 倍，速度提升 1.6 倍，代码已开源。
arXiv cs.AIAI 评分2222 E$^2$-OPSD：解决在线策略自蒸馏中的熵过冲问题
研究者提出 E$^2$-OPSD，用于解决在线策略自蒸馏（OPSD）中"熵过冲"的失败模式：学生 token 熵超过教师并持续偏高。该方法用检索到的已解邻近问题替代当前答案进行示例引导教学，并依据学生-教师熵差决定每个 token 的修正方向与强度。
arXiv cs.AIAI 评分1515 研究：LM surprisal 对中文阅读时间的预测力因语料库而异
一项研究用 14M-1.4B 的 Chinese-Pythia 模型（30B token 训练）分析 token 级 surprisal 对中文阅读时间的预测力，并提出 SMS 对齐方案以调和眼动语料分词与 LM 子词分词的不一致。