Adaptive Stochastic Dual Coordinate Ascent for Conditional Random Fields
MILA（蒙特利尔学习算法研究所）；DIRO（计算机科学与运筹学系）；Université de Montréal（蒙特利尔大学）
这项工作研究了通过Shalev-Shwartz和Zhang（2016）的随机双坐标上升（SDCA）算法训练条件随机场（CRF）。SDCA算法具有线性收敛速度和较强的经验性能。然而，它从未被用于训练CRF。然而，它受益于一个“精确”的线搜索与一个单一的边缘化甲骨文调用，不像以前的方法。在本文中，我们适应SDCA训练CRF，我们加强了自适应非均匀采样策略的基础上块对偶间隙。我们在四个标准的序列预测任务上进行实验。SDCA的性能与最先进的性能相当，并在四个数据集中的三个数据集上有所改进，这些数据集都使用了稀疏特征。
2018-07-10 cs.LG stat.ML
Adaptive Estimation and Inference in Conditional Moment Models via the Discrepancy Principle
NSF Award IIS-2337916
本文提出了一种基于不一致原则的自适应超参数选择框架，适用于RDIV和TRAE，实现了自适应推断在不正则经济计量模型中的最优速率。
2026-10-27 cs.LG stat.ML
Conditional WGANs with Adaptive Gradient Balancing for Sparse MRI Reconstruction
GE Global Research（GE全球研究中心）；Tel Aviv University（特拉维夫大学）；GE Healthcare（GE医疗）
最近的稀疏MRI重建模型使用深度神经网络（DNN）从高度欠采样的k空间数据重建相对高质量的图像，从而实现更快的MRI扫描。然而，这些技术有时很难重建清晰的图像，在保持自然外观的同时保留精细的细节。在这项工作中，我们通过使用条件Wasserstein生成对抗网络结合一种新的自适应梯度平衡技术来提高图像质量，该技术可以稳定训练并最大限度地减少伪影程度，同时保持高质量的重建，从而产生比其他技术更清晰的图像。
2019-05-02 cs.LG eess.IV stat.ML
Informative Gene Selection for Microarray Classification via Adaptive Elastic Net with Conditional Mutual Information
Virginia State University（弗吉尼亚州立大学）；Henan Normal University（河南师范大学）
由于弹性网具有在弱正则化条件下获得更好性能的优点，在统计学、机器学习、生物信息学等领域引起了广泛的关注。特别地，弹性网的变型，自适应弹性网（AEN），集成了自适应分组效应。在本文中，我们的目标是开发一种新的算法：自适应弹性网与条件互信息（AEN-CMI），进一步提高AEN将条件互信息到基因选择过程。我们应用这种新算法来筛选两种癌症的重要基因：结肠癌和白血病。与支持向量机、经典弹性网和自适应弹性网等算法相比，AEN-CMI算法以最少的基因数获得了最好的分类性能。
2018-06-13 cs.IT cs.LG math.IT
SMART: A Flexible Approach to Regression using Spline-Based Multivariate Adaptive Regression Trees
Northwestern University（西北大学）
针对决策树连续关系建模方差高、MARS不连续性建模效果差的问题，提出结合决策树与MARS的SMART方法，在相关场景下性能优于现有最优方法并提供开源实现。
2024-10-08 cs.LG stat.ML
Adaptive Conditional Quantile Neural Processes
Texas A&M University（德州农工大学）；Google Cloud（谷歌云）
提出条件分位神经过程（CQNPs），通过分位回归建模任意分布并自适应估计信息分位数，克服高斯假设限制，显著提升预测性能与异质分布建模能力。
2023-07-03 cs.LG stat.ML
Parallel gradient boosting for flexible estimation of conditional distributions
Université Paris-Saclay（巴黎萨克雷大学）；UVSQ（凡尔赛圣康丁伊夫林大学）；Inserm（法国国家健康与医学研究院）；CESP（健康与医学研究中心）；Université Paris Cité（巴黎西岱大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；CNRS（法国国家科学研究中心）；SSA（法国军队卫生服务局）；Centre Borelli（博雷利中心）；École du Val-de-Grâce（瓦尔-德-格拉斯学校）；Service de Santé des Armées（法国军队卫生服务局）
研究针对多输出预测中条件分布估计的难题，提出并行梯度提升算法，通过共同下降方向减少计算量，在多变量回归设置中性能优于现有库，所得估计器在高维及复杂协变量情况下表现出色。
2026-10-23 cs.LG stat.ML
Sequential Kernel-based Conditional Independence Testing via Adaptive Betting
Department of Computer Science, University of British Columbia, Vancouver, Canada（不列颠哥伦比亚大学计算机科学系，温哥华，加拿大）；Alberta Machine Intelligence Institute, Edmonton, Canada（阿尔伯塔机器智能研究所，爱德蒙顿，加拿大）
提出一种对估计误差更鲁棒的序列条件独立性检验方法，通过自适应优化核条件独立性统计量、归一化及截断平移校准，在合成与真实数据上控制第一类错误并保持高功效。
2026-08-06 cs.LG stat.ME stat.ML
Mask-Conditional Conformal Prediction: Valid Uncertainty For All Missing Data Mechanisms
LaMME, University of Paris-Saclay, Evry（LaMME，巴黎-萨克雷大学，埃夫里）；ENSIIE, Evry（ENSIIE，埃夫里）；Capgemini Invent, Paris, France（Capgemini Invent，巴黎，法国）
本文提出加权置信预测方法，通过预填补掩码并校正预测集，提供对一般缺失数据机制的边缘覆盖性和掩码条件有效性。
2026-11-03 cs.LG stat.ML
Adaptive Experimentation at Scale: A Computational Framework for Flexible Batches
Columbia Business School（哥伦比亚商学院）
针对批次反馈和有限重新分配时期下的自适应实验问题，提出计算驱动框架与 Residual Horizon Optimization 算法，在未知奖励分布等困难场景中显著提升统计功效。
2023-08-14 cs.LG stat.ML
Adaptive Conditional Gradient Descent
本文提出一种基于线性最小化预言机的自适应步长策略，通过估计局部Lipschitz常数保证迭代充分下降，在非凸、星形凸和强凸设置下实现了匹配最优理论界限的收敛率。
2025-10-13 math.OC stat.ML
Overlap-Adaptive Regularization for Conditional Average Treatment Effect Estimation
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Munich, Germany（德国慕尼黑）
本文提出重叠自适应正则化方法，通过调整正则化强度以应对低重叠问题，提升CATE估计的性能。
2026-03-11 cs.LG stat.ML
AECSF: Adaptive Ensemble Conditional Score Filtering for High-Dimensional Nonlinear Data Assimilation
Tongji University（同济大学）；Wuhan University（武汉大学）；University of South Carolina（南卡罗来纳大学）
针对高维非线性数据同化中贝叶斯状态估计的统计保真度与计算可行性矛盾，提出免训练的自适应集成条件分数滤波器AECSF，利用条件Tweedie恒等式和共享自适应加权提议集成高效估计噪声后验分数，提升后验采样与非线性滤波精度。
2026-10-05 cs.LG cs.NA math.NA
Tight Bounds for Equivalence Testing with Non-Adaptive Conditional Samples
New York University（纽约大学）
针对非自适应条件样本下的分布等价性测试问题，给出了该问题所需查询次数的紧界，证明其复杂度为tildeθ(log n)，明确了该场景下等价性测试的查询复杂度。
2026-10-09 cs.DS cs.IT math.IT
Parallel and Flexible Sampling from Autoregressive Models via Langevin Dynamics
University of Washington（华盛顿大学）
本文介绍了一种从自回归模型中抽样的替代方法。自回归模型通常根据模型定义的转换动态顺序采样。相反，我们提出了一个采样过程，将一个序列与白噪声，并遵循一个马尔可夫链定义的朗之万动力学的全球对数似然序列。这种方法将采样过程并行化，并推广到条件采样。使用自回归模型作为贝叶斯先验，我们可以使用条件似然或约束来引导生成模型的输出。我们将这些技术应用于视觉和音频领域的自回归模型，在音频声源分离、超分辨率和图像修复方面具有竞争力。
2021-12-16 cs.LG cs.SD eess.AS
InfoCNF: An Efficient Conditional Continuous Normalizing Flow with Adaptive Solvers
Rice University（莱斯大学）；NVIDIA（英伟达）；University of Toronto（多伦多大学）；California Institute of Technology（加州理工学院）
连续规范化流（CNF）由于其可逆性和精确的似然估计，已成为广泛任务的有前途的深度生成模型。然而，由于模型所生成的高维潜在代码需要与输入数据具有相同的大小，因此针对条件图像生成和下游预测任务对感兴趣的信号调节CNF是低效的。在本文中，我们提出了InfoCNF，一个有效的条件CNF，分区的潜在空间成一个类特定的监督代码和一个无监督的代码，共享所有类之间的标签信息的有效利用。由于分区策略（略微）增加了函数求值（NFE）的数量，InfoCNF还采用门控网络来学习其常微分方程（ODE）求解器的容错能力，以获得更好的速度和性能。我们的经验表明，InfoCNF提高了测试精度的基线，同时产生可比的似然分数，并减少CIFAR10上的NFE。此外，在InfoCNF中对时间序列数据应用相同的分区策略有助于提高外推性能。
2019-12-09 cs.CV cs.LG stat.ML
PriorGrad: Improving Conditional Denoising Diffusion Models with Data-Dependent Adaptive Prior
Seoul National University（首尔国立大学）；Microsoft Research Asia（微软亚洲研究院）
最近提出了去噪扩散概率模型，通过估计数据密度的梯度来生成高质量的样本。该框架将先验噪声定义为标准高斯分布，而相应的数据分布可能比标准高斯分布更复杂，这可能会由于数据和先验之间的差异而在对数据样本中的先验噪声进行去噪时引入低效率。在本文中，我们提出的PriorGrad提高效率的条件扩散模型的语音合成（例如，一个声码器使用的梅尔频谱作为条件），通过应用自适应先验来自数据统计的基础上的条件信息。我们制定的训练和采样程序的PriorGrad和证明的优势，通过理论分析的自适应先验。专注于语音合成领域，我们考虑了最近提出的基于谱域和时域的基于扩散的语音生成模型，并表明PriorGrad实现了更快的收敛和推理以及卓越的性能，从而提高了感知质量和对较小网络容量的鲁棒性，从而证明了数据相关自适应先验的效率。
2022-02-20 cs.LG cs.SD eess.AS
Shape-Adaptive Conditional Calibration for Conformal Prediction via Minimax Optimization
School of Statistics and Data Science, Nankai University（南开大学统计与数据科学学院）；School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院）
本文提出MOPI框架，通过优化灵活的多值映射实现条件覆盖，提升预测集效率，理论证明其收敛性最优。
2026-05-12 stat.ME stat.ML
DeepDrum: An Adaptive Conditional Neural Network
Ionian University（爱奥尼亚大学）；Institute for Language and Speech Processing, R.C. “Athena”（“雅典娜”研究中心语言与语音处理研究所）
将音乐视为具有多个复杂依赖关系的事件序列，长短期记忆（LSTM）架构已被证明在学习和再现音乐风格方面非常有效。然而，节奏的产生需要关于音乐结构和伴奏乐器的额外信息。在本文中，我们提出了DeepDrum，一个自适应神经网络，能够在前馈（条件）层的约束下生成鼓节奏，其中包含音乐参数以及给定的乐器信息（例如低音和吉他音符）。生成的鼓序列的结果表明，DeepDrum在产生类似于学习风格的节奏方面是有效的，同时符合训练过程中未知的给定约束。
2019-01-21 cs.IR cs.SD eess.AS
Flexible Selective Inference with Flow-based Transport Maps
本文提出一种利用归一化流学习传输映射的方法，用于在缺乏解析描述的选择事件下近似条件分布，从而实现灵活的选择性推断，提供有效 p 值、置信集及闭式条件密度函数。
2025-06-01 stat.ME stat.ML
Iteratively reweighted adaptive lasso for conditional heteroscedastic time series with applications to AR-ARCH type processes
由于大数据的影响越来越大，收缩算法几乎在统计学的每个领域都非常重要。特别是时间序列分析受益于有效和快速的估计技术，如套索。然而，目前自回归时间序列模型的Lasso型估计仍然集中在残差为同方差的模型上。因此，在高维环境下，提出了一种用于条件异方差下时间序列模型估计的迭代加权自适应lasso算法。分析了所得估计量的渐近行为。据发现，建议的估计过程中执行实质上优于其同方差对应。该算法的一个特例适用于有效地计算估计的多元AR-均值型模型。扩展的模型，如周期AR-消隐，阈值AR-消隐或ARMA-GSTAR进行了讨论。最后，不同的模拟结果和应用程序的电力市场数据和金属价格的回报。
2015-12-05 q-fin.CP stat.AP stat.CO
Context-Adaptive Thresholding for Conditionally Representative Monitoring and Classification
RWTH Aachen University（亚琛工业大学）；Institute of Statistics and AI Center（统计与人工智能中心）
针对分类器条件分布缺乏代表性的问题，提出上下文自适应阈值化方法，通过调整阈值保持误报率并提升代表性，经非参数估计实现，在FICOS信用评分上媲美最先进方法。
2026-09-23 math.ST stat.ML stat.TH
On conditional versus marginal bias in multi-armed bandits
多武器土匪武器的样本均值的偏差是自适应数据分析中的一个重要问题，最近在文献中受到了相当大的关注。现有的结果涉及到精确的方式的符号和幅度的偏差的各种来源的数据自适应性，但不适用于有条件的推理设置，其中的样本均值计算，只有当一些特定的条件得到满足。在本文中，我们刻画了条件偏差的单调函数的奖励，包括样本均值的符号。我们的研究结果适用于任意条件事件，并利用数据收集策略的自然单调性。我们进一步证明，通过序贯检验和最佳手臂识别的几个例子，手臂的样本均值的条件和边际偏倚的符号可以是不同的，这取决于条件事件。我们的分析提供了新的和有趣的观点的微妙之处，评估数据自适应设置的偏见。
2021-02-22 math.ST stat.ML stat.TH
