Erm
PulseAugur coverage of Erm — every cluster mentioning Erm across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新研究探讨多类分类的最优聚合
本文探讨了多类分类问题的最优聚合技术，将现有方法从二元分类扩展而来。它引入了新颖的聚合框架，实现了最优或接近最优的收敛速率，尤其独立于类别的数量。该研究强调了传统proper aggregation的局限性，并提出了improper probability-mixture aggregates来克服这些挑战。
-
AI训练理论：聚焦最难示例可加速学习
研究人员开发了一个理论框架，用于理解数据剪枝在AI系统中的有效性，特别是在训练最具挑战性的示例时。这项发表在arXiv上的研究，使用加权经验风险最小化（ERM）引入了一个高维数据剪枝学习理论。研究表明，通过有策略地丢弃大部分训练数据并专注于最难的示例，分类测试误差可以比传统方法衰减得更快，并达到贝叶斯最优缩放。
-
新研究将伽罗瓦理论与最优机器学习策略联系起来
一篇新研究论文探讨了从其作用学习群元素的理论基础，将伽罗瓦理论与经验风险最小化（ERM）等机器学习概念联系起来。该研究表明，对于某些群结构，ERM是一种最优学习策略，能够达到最佳的样本复杂度。它还引入了一个新的不变量——Natarajan维度，该维度被证明与可解伽罗瓦群的群论性质一致，并确定A5群是第一个在这些维度之间存在差距的群。
-
新研究发现，受曲率启发的标量特征缩放对域泛化益处有限
一项最新研究评估了一种名为HyperDG的、用于域泛化的受曲率启发的标量特征缩放的具体实现方法。研究发现，该方法在训练过程中对欧氏编码器特征进行重缩放，在多个数据集上的表现略逊于标准的DomainBed ERM方法。虽然所有数据集的点估计都倾向于ERM，但统计显著性不足以声称存在决定性差异，这表明该特定的标量训练包存在有限的负面结果。
-
新方法使用正负样本未知数据最大化pAUC
研究人员开发了一种新方法，仅使用正样本和未知样本数据来最大化接收者操作特征曲线下的部分面积（pAUC）。该方法解决了在网络安全和医疗保健等实际应用中，标记负样本数据稀缺或难以获取的常见挑战。所提出的方法在经验风险最小化框架内，使用正密度和边际密度来表示pAUC，并从PU数据中推导出经验估计器来训练分类器。
-
新研究通过提高样本效率来推进“相对智能学习”
研究人员推进了“相对智能学习”概念的研究，该概念是指监督学习器旨在匹配从无标签数据中推导出的任何可认证误差保证的性能。新工作表明，ERM 等标准学习器对于二元分类是“相对智能”的，需要样本复杂度呈二次方增长。此外，研究表明半监督学习仅需无标签数据复杂度呈二次方增长即可实现此目标，尽管这种效率是以某些学习算法的可处理性为代价的。
-
新的AI校准方法解决分类器中的捷径学习问题
研究人员提出了一种新的方法，通过将问题重新构建为校准问题来缓解AI分类器中的捷径学习。他们的方法，一种过程内正则化器和一种事后重新校准步骤，旨在均衡不同捷径组之间的校准。这些技术在胸腔积液-气胸基准测试中显示出显著的改进，优于现有基线，并证明了捷径学习、校准理论和算法公平性之间的联系。
-
研究人员发现确定性与随机性方法在人工智能学习复杂度上存在指数级差距
研究人员在处理未知顺序的阈值时，发现了确定性和随机性方法在线学习复杂度上的指数级差距。Attias、Hanneke 和 Ramaswami 在 NeurIPS 2025 上发表的一项研究表明，确定性学习者需要 T（或 T-epsilon）次预言机调用和错误，而随机性学习者两者都能达到对数界限。这种分离取决于一致性类型 ERM 预言机使用的特定规则，不同的规则会导致不同的性能结果。
-
新AI模型使用稀疏路由进行视网膜病变分析
研究人员开发了一种新的深度学习架构，用于分析视网膜眼底图像，该架构利用了稀疏条件计算。该模型将一个引导式上下文门控（GCG）空间注意力前端与一个稀疏路由的专家混合（MoE）块配对。该系统表明，专家分配显著依赖于存在的疾病，像ERM和AMD等不同的病理学会隔离到特定的专家。该模型在一个五类基准测试中取得了0.912的宏观AUC和0.653的宏观F1分数，可视化结果证实专家路由与局部病变对齐，并对共存性病例进行几何映射。
-
Energy-guided Recursive Model 增强神经网络推理能力，利用 Hopfield 能量 · 跟踪 2 个来源
研究人员推出了一种新颖的递归推理方法——Energy-guided Recursive Model (ERM)。ERM 利用显式的 Hopfield 能量来指导候选轨迹的选择，提供了一种原则性的推理机制。该方法与基于能量的采样技术无缝集成，以提高效率和排名。ERM 在数独和 Pencil Puzzle Bench 等复杂任务上表现出色，优于以往的模型。
-
LLM-PV 方法利用 LLM 先验知识提高程序学习效率
研究人员开发了一种名为 LLM-PV 的新方法，该方法利用预训练的大型语言模型 (LLM) 来提高程序学习效率。该方法利用 LLM 生成候选程序，然后在验证集上执行和评分，而无需直接对 LLM 进行梯度更新。实验表明，LLM-PV 能有效地从小数据集中恢复底层规则并具有良好的泛化能力，在奇偶校验变体和素数测试等任务上优于传统的 SGD 训练 Transformer 和上下文学习等方法。研究结果表明，LLM 先验知识可以作为经验风险最小…
-
新算法解决受污染和异构多任务学习问题
研究人员开发了一个新的受污染多任务学习框架，解决了数据污染和任务间异构性带来的挑战。所提出的方法是一种基于过滤的鲁棒多任务梯度下降，旨在同时估计全局风险最小化器和干净的任务特定最小化器。该方法通过消除依赖于维度的误差，在模拟和真实世界数据分析中表现出鲁棒性和个性化，优于现有方法。
-
新研究探讨 Wasserstein DRO 在风险敏感估计和遗憾优化中的应用
两篇新研究论文探讨了 Wasserstein 分布鲁棒优化 (DRO) 在不同机器学习背景下的应用。第一篇论文介绍了一种使用 Wasserstein 球和条件在险价值 (CVaR) 进行风险敏感估计的方法，并展示了其在电力价格预测中的有效性。第二篇论文侧重于 Wasserstein 模糊集中的遗憾优化，提出了一个理论和算法，以在计算 NP-hard 的复杂场景中平衡鲁棒性与潜在收益。
-
新的组合条件解决了 Proper Positive-Only Learning 问题
研究人员解决了机器学习中一个长期存在的关于 proper positive-only learning 的问题。该研究确立，如果一个概念类具有有限的 VC 维度并满足一个称为 uniform exterior separability 的新条件，那么它就可以从仅有正样本中进行 proper 学习。这一表征突显了与标准 PAC 学习的显著差异，包括 proper 和 improper 学习之间，以及确定性和随机 proper 学习之间的分离。
-
大型制药公司应对工业热能脱碳挑战，Amidst Price Volatility
像AstraZeneca这样的大型制药公司正日益关注工业热能的脱碳问题，这是其供应链中重要的排放源。地缘政治事件和由此产生的能源价格波动，为减少对天然气供热的依赖创造了强有力的商业理由。AstraZeneca的清洁供热计划（Clean Heat Program），与Secaro和ERM合作开发，旨在系统性地减少其供应商网络中的这些排放，同时优先考虑成本降低和业务韧性以及可持续性。