Direct Fisher Score Estimation for Likelihood Maximization
School of Mathematics, University of Bristol（布里斯托大学数学学院）；School of Biological Sciences, University of Bristol（布里斯托大学生物科学学院）
针对似然函数难解但模型模拟易得的问题，提出基于局部得分匹配的顺序梯度优化方法，直接建模Fisher得分，实现快速高效的似然最大化。
2026-06-15 cs.LG stat.ML
Feature selection in omics prediction problems using cat scores and false nondiscovery rate control
我们重新讨论了线性判别分析（LDA）中的特征选择问题，即当特征相关时。首先，我们介绍了一个汇集的质心制定的多类LDA预测函数，其中的Mahalanobis变换预测的相对权重由相关调整$t$ -分数（猫分数）。其次，对于特征选择，我们提出了阈值猫分数通过控制错误的非发现率（FNDR）。第三，分类器的训练是基于相关性和方差的James-Stein收缩估计，其中正则化参数是分析选择的，而不需要重新搜索。总的来说，这导致了一个有效的和计算成本低廉的框架，高维预测与自然特征选择。建议的收缩判别程序在R软件包`` sda '中实现，可从R存储库CRAN获得。
2010-10-08 stat.AP stat.ML
Key point selection and clustering of swimmer coordination through Sparse Fisher-EM
Université de Rouen（鲁昂大学）；INSA de Rouen（鲁昂国立应用科学学院）
为了回答最佳游泳运动员学习/教学策略的存在，这项工作引入了两级聚类，以分析蛙泳运动学习的时间动态。每个级别都是通过Sparse Fisher-EM执行的，Sparse Fisher-EM是一个无监督的框架，可以有效地应用于大型相关数据集。引入的稀疏性在没有任何先验知识的情况下选择协调阶段的关键点。
2014-01-07 cs.CV cs.LG physics.data-an
FedFIbOS: Fisher Importance based Optimal Submodelling for Heterogeneous Federated Learning
University of Otago（奥塔哥大学）；University of New South Wales（新南威尔士大学）
针对异构联邦学习子模型参数选择缺乏理论依据的问题，提出基于Fisher重要性的最优子建模方法FedFIbOS，通过最小化掩蔽误差并高效估计Fisher分数，在多个数据集上比现有方法准确率提升约10%。
2026-09-18 cs.LG
Fisher-Guided Submodular Data Selection for Continual Pre-Training of Large Language Models
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Cisco Research（思科研究院）
提出Fisher引导的子模数据选择方法，通过分解梯度为锚定和前沿分量，在持续预训练中提升目标领域质量并控制遗忘，实现10倍令牌效率提升。
2026-10-05 cs.LG
Gaussian Process Tilted Nonparametric Density Estimation using Fisher Divergence Score Matching
Columbia University（哥伦比亚大学）；Capital One Labs（Capital One 实验室）
本文提出GP倾斜非参数密度估计器，基于Fisher散度得分匹配推导三种闭式学习算法，无需迭代优化仅需单次遍历数据，适配大规模数据集场景。
2025-11-14 cs.LG
Fisher meets Feynman: score-based variational inference with a product of experts
Flatiron Institute（Flatiron研究所）；Columbia University（哥伦比亚大学）
本文提出一种基于专家乘积的变分推断族，利用 Feynman 恒等式实现采样，并通过迭代优化 Fisher 散度快速收敛，适用于复杂分布。
2025-10-24 cs.LG stat.ML
FLoE: Fisher-Based Layer Selection for Efficient Sparse Adaptation of Low-Rank Experts
Zhejiang University（浙江大学）
提出FLoE框架，通过Fisher信息引导的层选择实现稀疏适配器部署，并利用贝叶斯优化自动确定LoRA秩，在资源受限环境中实现高效的效率-精度权衡。
2025-05-31 cs.CL cs.LG stat.ML
Null-Calibrated Conformal Selection via Target-Membership Scores
CROID Research and aSSIST University（CROID研究院和aSSIST大学）
提出基于目标隶属度分数的共形选择方法，通过零校准（NCCS）生成有限样本有效的零p值，在方差驱动和多模态目标上优于传统预测导向分数。
2026-06-23 cs.LG stat.ML
The Loss Floor of Denoising Score Matching: Fisher Geometry from Schrödinger Bridges
Great Wall Motors Co. Ltd.（长城汽车股份有限公司）；China Patent Information Center（中国专利信息中心）
该研究推导出去噪分数匹配的损失下限的精确表达式，关联薛定谔桥与费希尔几何，揭示扩散模型训练损失的固有信息几何成分，指出不同噪声设置下原始损失无法一致排序的原因。
2026-08-26 cond-mat.stat-mech cs.LG
Model selection with proper scoring rules on data sets of time series: prefer the mean scaled score
SUPSI, Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA), Lugano, Switzerland（SUPSI，日内瓦智能研究 institute（IDSIA），卢加诺，瑞士）
针对时间序列数据集上的概率模型选择问题，发现均值、中位数和平均秩三种统计量因分数分布偏斜导致冲突决策，随着测试集增大结论趋于一致，但短测试集下仅均值分数能识别真模型。
2026-06-25 cs.LG stat.ML
Task-Resolved Fisher Spectroscopy for Quantum Reservoir Computing
California State University, Northridge（加州州立大学北岭分校）；California Institute of Technology（加州理工学院）
提出任务分辨的Fisher光谱法，通过定义任务得分坐标分析量子储层计算中的信息丢失，连接基准性能与实验可操作的诊断，指导测量和特征选择。
2026-09-25 cs.LG quant-ph
Efficiently Access Diffusion Fisher: Within the Outer Product Span Space
Fangyikang Wang（方毅康）；Hubery Yin（殷Hubery）；Shaobin Zhuang（庄少彬）；Huminhao Zhu（朱惠民）；Yinan Li（李毅南）；Lei Qian（钱磊）；Chao Zhang（张超）；Hanbin Zhao（赵汉斌）；Hui Qian（钱慧）；Chen Li（李晨）
本文发现扩散Fisher信息位于score与初始数据的外积张成空间内，据此开发了两种高效近似算法以绕过自动微分，并建立了误差界限，在精度与计算成本上均表现优异。
2025-05-29 cs.LG
Laplace-Fisher Gate Identities for Optimal Matrix-Gated Blended Score Estimation
The Oden Institute for Computational Engineering and Sciences（奥登计算工程与科学研究院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The Department of Aerospace Engineering & Engineering Mechanics（航空航天工程与机械系）
针对非归一化目标采样中的得分估计问题，提出矩阵值门控混合得分估计方法，推导出方差最优门公式（Laplace-Fisher 门恒等式），并证明有限参考一致性，应用于贝叶斯逆问题的归一化密度评估。
2026-07-02 cs.LG math.ST stat.TH
Dynamic Importance Learning using Fisher Information Matrix (FIM) for Nonlinear Dynamic Mapping
K. N. Toosi University of Technology（K.N.图斯工业大学）
本文提出一种利用Fisher信息矩阵和逻辑回归计算特征相关性分数的可解释方法，集成于黑盒模型首层，动态优先处理对输出方差贡献大的特征，并在工业pH中和过程中验证了其有效性。
2024-12-30 cs.LG cs.SY eess.SY
Simulation-Free Determination of Microstructure Representative Volume Element Size via Fisher Scores
Northwestern University（西北大学）
提出一种基于 Fisher 分数和机器学习的免仿真方法，仅通过显微图像确定微观结构代表性体积单元（RVE）尺寸，避免了大量有限元仿真，并在数值实验中验证了其有效性。
2024-04-07 cond-mat.mtrl-sci cs.CE cs.LG
Exploiting Transitivity for Top-k Selection with Score-Based Dueling Bandits
University of Warwick（华威大学）
研究了具有分数信息的Dueling Bandit问题中的top-k子集选择问题。现实世界的成对排序问题往往表现出高度的传递性和先前的工作建议抽样方法，利用这种传递性，通过使用参数偏好模型，如布拉德利-特里-卢斯（BTL）和瑟斯顿模型。到目前为止，这项工作的重点是样本结果是赢/输二元反应的情况下。我们扩展到选择问题，抽样结果包含定量信息，提出了一个瑟斯顿风格的模型和适应成对最优计算预算分配子集选择（POCBAm）抽样方法，利用该模型进行有效的样本选择。我们对标准POCBAM和其他竞争算法的实证性能进行比较。
2020-12-31 cs.LG
Causal Covariate Shift Correction using Fisher information penalty
Institute of Business Administration（商业管理学院）；National University of Computer and Emerging Sciences（国家计算机与新兴科学大学）；Habib University（哈比布大学）
针对训练数据分布随时间变化导致的模型选择不可靠问题，提出基于Fisher信息惩罚的因果协变量偏移校正方法，在批次和折级基准上分别提升准确率最高20.3%和最低5.9%。
2025-02-11 cs.LG
Causal Discovery Under Hard Selection Bias: A New Robust Score-Matching Approach
IST Austria（IST奥地利）
针对因果发现中的强选择偏差问题，本文提出一种鲁棒得分匹配方法，无需选择过程外部信息，在截断数据的加性噪声模型下实现了与最优方法相当的性能。
2026-10-14 cs.LG
