📐 学习理论¶
🧠 NeurIPS2026 · 9 篇论文解读
📌 同领域跨会议浏览： 🎞️ ECCV2026 (1) · 🔬 ICLR2026 (294) · 🧪 ICML2026 (45) · 🤖 AAAI2026 (3) · 🧠 NeurIPS2025 (25) · 🧪 ICML2025 (16)
- Adaptive inference for functionals of M-estimands
-
本文把非参数 M-估计目标的光滑泛函推断扩展到已知采样策略的自适应数据，通过一步偏差校正配合逐轮条件方差稳定化，或在方差收敛到随机非零极限时采用自归一化，构造渐近有效的置信区间；动态定价模拟显示普通 GLM 和仅加逆倾向权重的 GLM 会欠覆盖。
- Cheap and Powerful Tests for Supervised Subspaces: Per-Component Inference for PLS
-
把偏最小二乘（PLS）监督子空间的显著性转化为留出预测相关性检验，用 NB 修正提供有明确经验适用范围的快速近似、用置换提供总体独立性零假设下的有限样本有效检验，并严格区分原始分量的顺序推断与旋转后坐标的解释。
- Concise and Logically Consistent Conformal Sets for Neuro-Symbolic Concept-Based Models
-
COCOCO 对神经符号概念模型的概念与任务标签分别校准，再用一次演绎—溯因交集修正删除双方无法支持的候选，在明确的覆盖损失边界下获得更小且相互一致的集合，并以 COCOCO* 支持自适应大小预算。
- Cost-Aware Best-LLM Identification using Dueling Feedback
-
本文把“以给定置信度找出两两偏好中的最佳模型”建模为异质成本决斗老虎机，用单位成本拒绝证据分配比较预算、跟踪抽样并通过最佳臂假设检验停止，获得几乎处处的渐近成本保证，但有限实验中置信区间版本 DCTAC 比主算法 DCTAS 更省成本。
- Estimation of the Label-Noise Transition Matrix with Performance Guarantees via Selective Classification
-
本文先用单侧选择性分类筛出各类别的高纯度子集，再以其中全部噪声标签的经验频率估计转移矩阵，将误差分解为子集纯度偏差、学习次优性和接受样本的统计波动，而不要求逐点恢复准确的类别后验概率。
- Even Sharper Bounds for Transductive Learning and Its Applications
-
本文以交换随机游走上的双参数熵闭合证明 Bernstein 型上确界集中，再用局部复杂度控制直推经验风险最小化，在有界损失及相应局部化条件下同时去掉旧结果的样本量失衡限制与额外置信度对数因子，并给出可实现 VC 分类和经验核谱应用。
- Nonparametric In-Context Learning under Growing Geometric Complexity: Minimax Optimality and Local Geometry-Adaptivity of Transformers
-
本文给出复杂度随样本量增长的异质流形混合上的非参数上下文学习极小极大率，并证明结构知情 Transformer 能逼近达到该率的切空间局部多项式估计器；实际训练模型的最优性仍需要足够任务数和足够小的经验风险优化间隙。
- The Price of Locality: Why Forward-Forward Underperforms Backpropagation?
-
这篇机制分析论文用条件性的局部收敛理论、表示核与误差信号谱分析，以及分组训练和更新谱干预，解释 Forward-Forward Algorithm（FFA）为何常落后于反向传播（BP）；放宽 CNN12 的层间梯度隔离可把准确率从 53.02% 提高到 78.74%，但仍未达到 BP 的 85.67%。
- Two-Fidelity Best-Action Identification for Stochastic Minimax Tree
-
2FFS 在已知快评估偏差包络、慢评估对节点真实 minimax 值无偏的模型下，用端点证书和递归预算自适应选择扩树或采样，在合成树上保持高准确率并显著减少节点访问，而停止与成本保证需要额外正则条件。