标签
一个用于估计数据依赖事件概率的统一框架，涵盖缺失质量、自适应数据分析和测试误差估计，并提出新的混合式 Good–Turing 风格估计量，以及基于 VC 维和互信息的界。
该论文研究了无限混合可适当损失类别下的全能预测问题，证明了对所有有界适当损失无法实现次线性遗憾，但给出了对所有混合可适当损失的最优 O~(T^{1/3}(log|F|)^{2/3}) 遗憾界，并提出了一种同时兼顾有限损失类别、在各类情形下均能取得最佳表现的算法。
一篇提出验证学习理论（VLT）的预印本。该理论是一个形式化过程模型，用于描述人工智能辅助的主张核查如何影响独立判断能力的保持，并预测：意识到助手可能出错，可以通过证据核查提高延迟测试中无辅助条件下的表现。
该论文提出 Fiber Regulation Theory (FRT) 与 Fiber Acquisition Theory (FAT) 两个理论框架，刻画受保护的功能修复与可训练结构的形成/续期动力学，并在 Qwen2.5-32B 上通过受保护头修复与固定容量 LoRA 续期验证联合策略优于单独策略。
该论文研究极限下的语言生成问题，提出了比稳定性更强的可认证性概念，并引入了正确性、稳定性和可认证性三个层级的教学维度，给出了稳定生成的有限见证刻画，解决了文献中遗留的理论空白。
论文提出一种对抗鲁棒的广义编码计算（GCC）扩展框架，通过平滑正则化限制恶意worker输出的影响，并给出随对抗worker比例衰减的非渐近误差界，适用于分布式系统中的近似编码计算。
该论文对在随机扩展LDPC码的码字上训练的稠密联想记忆进行了理论分析，发现了一种类似grokking的从记忆到泛化的转变现象。论文提出了一种阈值化学习规则，仅需O(log n)个训练样本即可实现样本高效学习，并能促成潜在变量表示的涌现。
本文研究模型误设下的有界回归问题，分析了符号下注回归估计器在 L1 度量下的高概率预言不等式，并证明了适当学习的最优通用近似因子为 3。
哈佛大学研究人员提出了一种关于规模泛化的统计学习理论，证明了域内学习与跨规模学习在样本复杂度上存在指数级差距，并给出了与维度无关的缩放定律及与之匹配的极小极大下界。
一篇讨论帖，询问支持“下一词元预测与强化学习相结合能够产生开放式通用智能”的最有力的机制性论证和基于第一性原理的论证，而不是依赖趋势外推或诉诸未来的突破。
Paccagnan 与 Tirlea（伦敦帝国理工学院）证明，针对优先型（稳定型）样本压缩的最先进集中界在理论上是紧的：他们给出了一个显式的均匀分布/次序统计量构造，同时还提供了一个简单得多的初等计数证明，从而避开了无穷维对偶理论。
本文改进了随机适当在线学习的最优期望错误界，表明其为 O(L(H) log T)，这在通用常数范围内对于最坏情况类别是最优的。
本文提出了一种用于循环神经网络中学习诱导转变的动力学平均场理论，展示了反馈驱动的学习如何将网络动力学从混沌转变为稳定。
本文解决了经验风险最小化对于二元分类是否相对智能的问题，探讨了在未标注数据中具有二次复杂度增长的半监督学习，并证明了某些学习者的不可处理性结果。
本文介绍了通用编码计算（GCC），一种学习理论框架，用于缓解分布式计算系统中的掉队节点问题，并提供了理论性能保证和在深度神经网络上的实验验证。
本文研究了多类别学习中适当学习与正则化的极限，通过证明学习并不总能归约为适当学习，且正则化存在结构约束，解决了开放性问题。
本文提出了一个用于一致稳定算法泛化差距的新无对数上界，并构造了一个实现最优高概率依赖性的确定性学习问题，从而填补了文献中的空白。
本文为具有无限维输入的浅层神经网络模型开发了构造性近似和学习保证，将误差分离为坐标截断、网络宽度和样本大小组件，以实现统一的理论分析。
本文介绍了KnowSim，一个通过建模用户知识状态来评估LLM助手信息校准的评估框架，经人类判断验证并优于基线模拟器。
本文回答了Hanneke、Moran和Waknine提出的一个开放问题，证明了直接和的不可知PAC学习曲线并非仅由单实例学习曲线和因子数量决定，从而提供了一种速率分离。