Acceleration in Distributed Optimization under Similarity
Purdue University(普渡大学);MIPT(莫斯科物理技术学院);ISP RAS Research Center for Trusted Artificial Intelligence(俄罗斯科学院信息传输问题研究所可信人工智能研究中心)
我们研究分布式(强凸)最优化问题在网络的代理,没有集中的节点。由于统计数据的相似性或其他原因,代理的损失函数被假定为\textit{similar}。为了减少通信次数以达到求解精度,提出了一种{ \it预处理,加速}分布式方法。$\varepsilon$ -解决方案是在$\tilde{\mathcal{O}}\big(\sqrt{\frac{β/μ}{1-ρ}}\log1/\varepsilon\big)$通信步骤数中实现的,其中$β/μ$是全局和局部损失函数之间的相对条件数,并且$ρ$表征网络的连通性。该速率匹配(多对数因子)较低的复杂性通信边界的分布式八卦算法适用于感兴趣的问题的类。数值结果表明,显着的通信节省现有的加速分布式计划,特别是在解决病态问题。
2022-04-10 cs.LG math.OC
Communication Complexity of Distributed Convex Learning and Optimization
Weizmann Institute of Science(魏茨曼科学研究所)
我们研究了凸学习和优化的通信有效的分布式方法的基本限制,在不同的假设下,对单个机器的信息,以及考虑的功能类型。我们确定的情况下,现有的算法已经是最坏情况下的最佳,以及进一步改进的空间仍然是可能的情况下。除此之外,我们的研究结果表明,如果局部目标函数之间没有相似性(由于统计数据相似性或其他原因),即使机器具有无限的计算能力,也可能需要许多通信回合。
2015-10-28 cs.LG math.OC stat.ML
SSPO: Structure-Aware Similarity-Weighted Preference Optimization for Neural Combinatorial Optimization
Tsinghua University(清华大学);The University of Hong Kong(香港大学)
该研究针对神经组合优化训练中的梯度信号极化与基线冗余问题,提出SSPO方法,通过结构感知相似度加权的留一法基线解决问题,其训练的EFL策略已在京东设施选址系统中实现实际应用。
2026-08-14 cs.AI cs.LG math.OC
META-SMGO-$Δ$: similarity as a prior in black-box optimization
Politecnico di Milano(米兰理工大学);Eindhoven University of Technology(埃因霍温理工大学)
针对实际中常反复求解相似全局优化问题的情况,本文将元学习思路融入SMGO-$Δ$方法,利用相似经验先验高效求解新问题,通过基准算例验证了实际效果并给出性能理论界。
2023-04-30 cs.LG cs.SY eess.SY
Improving the Worst-Case Bidirectional Communication Complexity for Nonconvex Distributed Optimization under Function Similarity
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);AIRI;Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Skoltech(斯科尔科沃科技学院)
针对分布式优化中下行通信低效问题,提出新型下行压缩方法MARINA-P及结合上行压缩与动量的双向压缩方法M3,理论和实验均验证其通信复杂度随工作节点数增加而优化的优势。
2024-11-02 cs.LG math.OC stat.ML
Accelerated Methods with Compressed Communications for Distributed Optimization Problems under Data Similarity
Moscow Institute of Physics and Technology(莫斯科物理技术学院);Ivannikov Institute for System Programming of the Russian Academy of Sciences(俄罗斯科学院伊万尼科夫系统编程研究所);Sber AI Lab(Sber AI实验室);Skoltech(斯科尔科沃科学技术学院)
本文提出首个在数据相似性下结合无偏/有偏压缩、方差缩减与误差反馈的分布式优化加速算法,理论创纪录并经实验验证。
2024-12-21 cs.DC cs.LG math.OC
Grounding Representation Similarity with Statistical Testing
University of California Berkeley(加州大学伯克利分校)
为了理解神经网络的行为,最近的工作定量地比较不同的网络的学习表示使用典型相关分析(CCA),中心核对齐(CKA),和其他相异的措施。不幸的是,这些被广泛使用的度量往往在基本观测上存在分歧,例如深度网络是否只在随机初始化方面有所不同,从而学习到类似的表示。这些分歧提出了一个问题:如果有的话,我们应该相信这些不同的措施?我们提供了一个框架,通过一个具体的测试接地这个问题:措施应该有敏感性的变化,影响功能行为,和特异性的变化,不。我们量化这通过各种功能的行为,包括探测精度和鲁棒性分布偏移,并检查变化,如不同的随机初始化和删除主成分。我们发现,目前的指标表现出不同的弱点,请注意,一个经典的基线表现令人惊讶的好,并突出设置,所有的指标似乎失败,从而提供了一个挑战集进一步改进。
2021-11-03 cs.LG stat.ML
Optimal Gradient Sliding and its Application to Distributed Optimization Under Similarity
KAUST(阿卜杜拉国王科技大学);MIPT(莫斯科物理技术学院);Purdue University(普渡大学)
我们研究结构凸优化问题,添加剂的目标$r:=p + q$,其中$r$是($μ$ -强)凸,$q$是$L_q$ -光滑和凸,和$p$是$L_p$ -光滑,可能非凸。针对这类问题,我们提出了一种不精确的加速梯度滑动方法,该方法可以跳过其中一个分量的梯度计算,同时仍然可以实现$p$和$q$的梯度调用的最优复杂度,即分别为$\mathcal{O}(\sqrt{L_p/μ})$和$\mathcal{O}(\sqrt{L_q/μ})$.这个结果比经典的黑盒复杂度$\mathcal{O}(\sqrt{(L_p+L_q)/μ})$更精确,特别是当$L_q$和$L_q$之间的差异很大时。然后,我们应用所提出的方法来解决分布式优化问题的主从架构下,代理的功能相似性,由于统计数据的相似性或其他。分布式算法实现了第一次较低的复杂性界限{ \it都}通信和本地梯度调用,与前者一直是一个长期存在的开放问题。最后通过求解一类变分不等式,将该方法推广到分布式鞍点问题(函数相似),得到了较低的通信和计算复杂度。
2022-05-30 cs.DC cs.LG math.OC
Clustering Time-Series by a Novel Slope-Based Similarity Measure Considering Particle Swarm Optimization
Southern Methodist University(南卫理公会大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
由于时间序列在各个领域的广泛存在,近年来对时间序列数据采掘的研究越来越多,特别是时间序列聚类。时间序列形式的大量数据使得有必要采用诸如聚类的各种技术来理解数据并提取信息和隐藏模式。在聚类领域,特别是时间序列聚类中,最重要的方面是所使用的相似性度量和用于进行聚类的算法。在本文中,一个新的相似性度量的时间序列聚类的基础上开发的一个简单的时间序列表示,斜率的时间序列的每一段,欧氏距离和所谓的动态时间弯曲的组合。本文证明了所提出的距离度量是度量的,从而可以应用索引。对于聚类任务,采用粒子群优化算法。建议的相似性度量进行比较,现有的三种措施,用于评估聚类算法的各种标准。结果表明,该方法在几乎所有的数据集上都优于其他方法。
2019-12-05 cs.LG cs.NE stat.ML
Analogical-based Bayesian Optimization
Centre for Pattern Recognition and Data Analytics(模式识别与数据分析中心)
一些现实世界的问题旋转以解决优化问题\max_{x\in\mathcal{X}} f \left(x \right),其中f \left(. \right)是黑盒函数,并且X可以是非向量对象的集合(例如,分布),我们只能在其上定义对称和非负的相似性得分。这种设置需要对贝叶斯优化的标准框架进行新颖的视图,以概括该框架的核心洞察力精神。基于这种精神,本文提出了一种基于类比的贝叶斯优化算法,它可以在一个只能定义相似度的域上最大化黑盒函数。我们的路径如下:我们首先基于高斯过程(GP)的几何视图来定义影响水平的概念,该影响水平允许我们分析地表示GP后验的预测均值和方差,并且基于该视图来使得能够用更遗传的相似性得分来替换核相似性。此外,我们还提出了两种策略来找到一批查询点,可以有效地处理高维数据。
2017-09-19 cs.LG stat.ML
From Inexact Gradients to Byzantine Robustness: Acceleration and Optimization under Similarity
Centre de Mathématiques Appliquées, École polytechnique, Institut Polytechnique de Paris, Palaiseau France(应用数学中心、巴黎高等理工学院、巴黎理工研究所,Palaiseau法国);Centre Inria de l'Univ. Grenoble Alpes, CNRS, LJK, Grenoble, France(格勒诺布尔阿尔卑斯大学Inria中心、法国国家科学研究中心、LJK,格勒诺布尔法国)
本文提出通过不精确梯度 oracle 将拜占庭鲁棒分布式优化问题转化为一般优化问题,并提出两种加速方案以提升收敛速度。
2026-02-03 cs.LG math.OC
Free congruence: an exploration of expanded similarity measures for time series data
University of Southern California(南加利福尼亚大学);Universität für Musik und darstellende Kunst Graz(格拉茨音乐与表演艺术大学)
时间序列相似性度量在包括训练机器学习模型、分类和预测建模在内的广泛的新兴应用中是高度相关的。时间序列的标准相似性度量通常涉及点对点距离度量,包括欧氏距离和动态时间弯曲。这种相似性度量基本上要求被比较的时间序列中的值的波动遵循要建立的相似性的相应顺序或节奏。本文是由探索更广泛的定义相似性,即一个考虑到纯粹的数值之间的相似性的时间序列段的统计特性集的价值标签无关的刺激。此外,时间序列段之间是否存在共同的模式成分进行了检查,即使它们以排列顺序出现,这不一定满足更传统的点对点距离测量的标准。在相同的上下文数据上,将结果与动态时间规整的结果进行了比较。令人惊讶的是,测试的统计属性集之间的数值相似性建立了一个更强的相似性配对的下降年更大的统计意义比动态时间弯曲的特定数据和样本量使用。
2021-01-17 cs.LG
Proposal and study of statistical features for string similarity computation and classification
Academic Department of Informatics, Universidade Tecnológica Federal do Paraná (UTFPR)(技术学院信息学系,联邦技术巴西南部大学(UTFPR));Department of Computer Science, Universidade Federal Fluminense (UFF)(计算机科学系,联邦里约热内卢大学(UFF));Department of Electrical Engineering and Computer Science, Khalifa University(电气工程与计算机科学系,哈利法大学)
本文提出适用于字符串相似性计算和分类的统计特征,评估了多种统计方法,结果显示COM和RLM特征在合成实验和真实文本抄袭数据集中表现优异。
2026-05-14 cs.CL cs.IT cs.LG
Misspecified Nonconvex Statistical Optimization for Phase Retrieval
Princeton University(普林斯顿大学);Pennsylvania State University(宾夕法尼亚州立大学);Georgia Institute of Technology(佐治亚理工学院);Northwestern University(西北大学);Carnegie Mellon University(卡内基梅隆大学)
现有的非凸统计优化理论和方法主要依赖于底层“真”统计模型的正确规范。为了解决这个问题,我们采取驯服模型误指定的第一步,通过研究高维稀疏相位检索问题与误指定的链接函数。特别是,我们提出了一个简单的变体的阈值Wirtinger流算法,给定一个适当的初始化,线性收敛到一个估计与最佳的统计精度为一个广泛的家庭未知的链接函数。我们还提供了大量的数值实验来支持我们的理论研究结果。
2017-12-18 cs.LG math.OC stat.ML
Geometry-aware similarity metrics for neural representations on Riemannian and statistical manifolds
Département d’Etudes Cognitives, École Normale Supérieure – PSL(认知研究系,巴黎高等师范学院 – 巴黎文理研究大学);Gatsby Unit, University College London(盖茨比计算神经科学单元,伦敦大学学院);Département d’Informatique, École Normale Supérieure – PSL(计算机科学系,巴黎高等师范学院 – 巴黎文理研究大学)
本文提出MSA方法,利用Riemannian几何工具比较神经表示的内在几何,用于解纠缠深度网络特征、比较非线性动态和研究扩散模型。
2026-11-10 cs.AI cs.LG math.DG
Statistical Embeddings for Similarity, Retrieval, and Interpretable Alignment of Numeric Tabular Datasets
Idaho National Laboratory(爱达荷国家实验室)
提出一种通过结构化探索性数据分析描述符、句子变换器嵌入和典型相关分析(CCA)来表征和比较数值表格数据集的方法,实现跨数据集的相似性检索和可解释变量级对齐,并支持差分隐私。
2026-05-28 cs.LG stat.AP stat.ML
Speeding Up Multi-Objective Hyperparameter Optimization by Task Similarity-Based Meta-Learning for the Tree-Structured Parzen Estimator
Department of Computer Science, University of Freiburg, Germany(弗赖堡大学计算机科学系);Artificial Intelligence Research Center, AIST, Tokyo, Japan(日本科学技术厅人工智能研究中心)
提出利用任务间顶级域重叠定义的任务相似性扩展TPE采集函数到元学习设置,加速多目标超参数优化,理论分析并解决相似性局限,实验证明在表格HPO基准上达到最优性能并赢得AutoML 2022竞赛。
2023-05-31 cs.AI cs.LG
Constant Time EXPected Similarity Estimation using Stochastic Optimization
University of Ulm(乌尔姆大学);Ravensburg-Weingarten University of Applied Sciences(拉芬斯堡-魏恩加滕应用技术大学)
最近提出了一种新的算法-期望相似度估计(EXPoSE)来解决大规模异常检测问题。它是一种基于概率测度的Hilbert空间嵌入的非参数、分布自由的核方法。给定$n$样本的数据集,EXPoSE仅需要$\mathcal{O}(n)$(线性时间)来构建模型,并需要$\mathcal{O}(1)$(恒定时间)来进行预测。在这项工作中,我们提高了线性计算的复杂性,并表明,一个$ε$准确的模型可以估计在恒定的时间,这对大规模的学习问题有重要意义。为了实现这一目标,我们把原来的EXPoSE制定成一个随机优化问题。至关重要的是,这种方法允许我们根据所需的精度$ε$确定迭代次数,而与数据集大小$n$无关。我们将表明,建议的随机梯度下降算法在一般(可能的无限维)希尔伯特空间,易于实现,不需要额外的步长参数。
2015-11-17 cs.LG
Supervised Metric Learning to Rank for Retrieval via Contextual Similarity Optimization
Boston University(波士顿大学);MIT Lincoln Laboratory(麻省理工学院林肯实验室)
针对图像检索度量学习易受噪声标签影响、依赖大量数据的问题,提出同时优化余弦与上下文相似度的 contextual loss,在四个基准上达到新最优。
2023-06-02 cs.CV cs.LG
A Formalization of The Natural Gradient Method for General Similarity Measures
University of Copenhagen(哥本哈根大学)
在最优化中,自然梯度法是众所周知的似然最大化。该方法使用库尔贝克-莱布勒散度,对应于无限小的Fisher-Rao度量,这是拉回到一个家庭的概率分布的参数空间。这样,相对于参数的梯度遵循分布空间的Fisher-Rao几何,这可能与参数空间的标准欧几里得几何有很大不同,通常会导致更快的收敛。然而,当最小化分布之间的任意相似性度量时,通常不清楚使用哪个度量。我们提供了一个一般的框架,给出了一个相似性度量,推导出一个度量的自然梯度。然后,我们讨论了自然梯度法和文献中的多个其他优化技术之间的联系。最后,我们提供了正式的自然梯度的计算,以显示与知名的情况下重叠,并计算自然梯度在新的框架。
2019-02-24 cs.LG stat.ML
Understanding Weight Similarity of Neural Networks via Chain Normalization Rule and Hypothesis-Training-Testing
Sun Yat-sen University(中山大学);University of Oxford(牛津大学)
提出了一种权值相似性度量方法,可以量化非凸神经网络的权值相似性。为了理解不同训练模型的权重相似性,我们提出从神经网络的权重中提取特征表示。我们首先通过引入一个链规范化规则来规范化神经网络的权值,该规则用于权值表示学习和权值相似性度量。我们将传统的假设检验方法扩展为假设训练检验统计推断方法来验证关于神经网络权值相似性的假设。利用链归一化规则和新的统计推断方法,研究了多层感知器(MLP)、卷积神经网络(CNN)和递归神经网络(RNN)的权值相似性度量,发现用随机梯度下降(SGD)算法优化的同一神经网络的权值在度量空间中收敛到相似的局部解.权值相似性度量提供了对神经网络局部解的更深入的了解。在多个数据集上的实验一致地验证了权重相似性度量的假设。
2022-08-08 cs.CV cs.LG math.ST
Aiding Global Convergence in Federated Learning via Local Perturbation and Mutual Similarity Information
Politecnico di Torino(都灵理工大学)
该研究针对联邦学习中缺乏利用客户端统计相似性优化方法的问题,提出基于相似图的带扰动局部梯度步框架,理论和实验均证明其相比FedAvg、FedProx能加速收敛并提升泛化性。
2024-10-07 cs.LG math.OC
Differentiable Optimization of Similarity Scores Between Models and Brains
MIT(麻省理工学院);NYU(纽约大学);HIH Tübingen(蒂宾根高等卫生研究所)
本文提出通过对相似性度量进行可微优化来直接最大化分数,发现高相似性分数并不保证编码任务相关信息,且不存在一致的好分数阈值,并揭示了不同度量对主成分方差的敏感性差异及其允许范围。
2024-12-27 cs.LG q-bio.NC
GP-MoLFormer-Sim: Test Time Molecular Optimization through Contextual Similarity Guidance
IBM Research(IBM研究院)
针对分子优化需保持与目标相似性的需求,提出免训练测试时引导方法GP-MoLFormer-Sim,结合遗传算法在黑盒场景下性能优于现有免训练基线。
2025-11-14 cs.AI cs.LG
Near-Optimal Distributed Minimax Optimization under the Second-Order Similarity
School of Data Science, Fudan University(复旦大学数据科学学院);School of Management, Xi’an Jiaotong University(西安交通大学管理学院)
针对二阶相似性下的分布式凸-凹极小极大优化,提出随机方差缩减乐观梯度滑动(SVOGS)方法,实现近最优的通信与计算复杂度,并在强凸情形下达到几乎紧的界,数值实验验证其优势。
2024-05-25 cs.LG math.OC
Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization
ETH Zurich(苏黎世联邦理工学院);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
性能优化是一项越来越具有挑战性但经常重复的任务。虽然每个平台都有自己的怪癖,但底层代码转换依赖于跨应用程序重复出现的数据移动和计算特性。本文提出了利用这些相似性,构建一个嵌入空间的子程序。连续空间分别通过符号代码分析和性能分析来捕获循环嵌套的静态和动态属性。性能嵌入支持应用程序之间性能调优的直接知识转移,这可能是自动调优或定制改进的结果。我们证明了这种转移调谐方法的案例研究,在深神经网络,密集和稀疏线性代数组成,和数值天气预报stenetron。传输调整将搜索复杂度降低了四个数量级,并且在稀疏-密集矩阵乘法中优于MKL库。结果显示程序特性和优化之间存在明显的对应关系,优于先前的专业化最先进的方法,并超越了它们的能力。
2023-03-14 cs.DC cs.LG cs.SE
Developmental Bayesian Optimization of Black-Box with Visual Similarity-Based Transfer Learning
LIRIS, CNRS UMR 5205(里昂图像与信息系统实验室,法国国家科学研究中心 UMR 5205);Ecole Centrale de Lyon(里昂中央理工学院)
我们提出了一个基于长期记忆和推理机制(视觉相似性和贝叶斯优化)的发展框架。这种架构允许机器人自主优化超参数,这些超参数需要从任何动作和/或视觉模块(被视为黑盒)进行调整。学习可以利用过去的经验(存储在情节和程序记忆中),以便使用先前从与新的未知对象类似的对象(存储在语义记忆中)优化的一组超参数来热启动探索。例如,该系统已被用于优化9个连续的超参数的专业软件(Kamido)在仿真和一个真正的机器人(工业机器人手臂Fanuc),共有13个不同的对象。机器人能够在68次(模拟)或40次(真实)试验中找到良好的对象特定优化。在模拟中,我们证明了基于视觉相似性的迁移学习的好处,而不是健忘的学习(即从头开始学习)。此外,与真正的机器人,我们表明,该方法始终优于手动优化专家不到2小时的训练时间,以实现超过88%的成功。
2018-10-19 cs.AI cs.LG cs.RO
TagBO: LLM-Driven Task-Aware Graph Bayesian Optimization for Scientific Discovery
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Harbin Institute of Technology(哈尔滨工业大学);Fudan University(复旦大学);Shenzhen Loop Area Institute(深圳河套学院);Shanghai Jiao Tong University(上海交通大学);Central South University(中南大学);Huazhong Agricultural University(华中农业大学)
TagBO融合LLM关系先验与结构信息,构建任务感知相似性结构,在化学、材料任务上提升混合变量贝叶斯优化的样本效率。
2026-10-14 cs.LG
Learning to select data for transfer learning with Bayesian Optimization
University of Groningen(格罗宁根大学);National University of Ireland, Galway(爱尔兰国立大学(高威));Aylien Ltd.(Aylien有限公司)
领域相似性度量可用于衡量适应性并选择合适的数据用于迁移学习,但现有方法定义了被认为适合于相应任务的自组织度量。受课程学习工作的启发,我们提出了使用贝叶斯优化的\emph{learn}数据选择措施,并跨模型,域和任务进行评估。我们学习的措施优于现有的领域相似性措施显着三个任务:情感分析,词性标注和解析。我们表明了用多样性补充相似性的重要性,并且在某种程度上,学习的措施可以跨模型,域甚至任务转移。
2017-07-17 cs.CL cs.LG
Breaking the Statistical Similarity Trap in Extreme Convection Detection
该研究针对深度学习气象模型的统计相似性陷阱,提出DART框架,解决粗粒度大气预报转高分辨率卫星亮温场的挑战,在极端对流检测中表现优异,还通过吉大港洪水案例验证了其现实应用价值。
2026-08-04 cs.CV cs.LG
Coarse-to-fine Optimization for Speech Enhancement
Apple Inc.(苹果公司)
在本文中,我们提出了由粗到细的优化语音增强的任务。余弦相似性损失[1]已被证明是衡量语音信号相似性的有效度量。然而,由于在高维空间中即使具有相同的余弦相似性损失的增强语音的大方差,利用该损失学习的深度神经网络可能无法预测具有良好质量的增强语音。我们的粗到细的策略优化了不同粒度的余弦相似性损失,使更多的约束被添加到从高维到相对低维的预测。以这种方式,增强的语音将更好地类似于干净的语音。实验结果表明,我们提出的粗到精的优化在判别模型和生成模型的有效性。此外,我们将粗到细的策略应用到生成对抗网络(GAN)中的对抗损失,并提出了动态感知损失,它动态地计算从粗分辨率到细分辨率的对抗损失。与其他生成模型相比,动态感知损失进一步提高了准确性,并实现了最先进的结果。
2019-08-21 cs.LG cs.SD eess.AS
Training-Free Query Optimization via LLM-Based Plan Similarity
Ershov Institute of Informatics Systems(信息系统埃尔绍夫研究所);Novosibirsk State Technical University(新西伯利亚国立技术大学)
本文提出LLM-PM框架,利用预训练执行计划嵌入的k近邻投票推荐数据库提示集,无需额外训练即可优化SQL查询,在JOB-CEB基准上实现平均21%的查询延迟降低。
2025-07-07 cs.DB cs.LG
Efficient Identification of High Similarity Clusters in Polygon Datasets
Columbia University in the city of New York(哥伦比亚大学)
本文提出结合动态KDE阈值、监督调度与召回约束优化的框架,减少待验证多边形簇数量,从而在保证精确率、召回率和准确性的同时降低大规模空间相似性计算成本。
2025-09-28 cs.DB cs.LG q-bio.QM
A Scalable Test Problem Generator for Sequential Transfer Optimization
City University of Hong Kong(香港城市大学);City University of Hong Kong Shenzhen Research Institute(香港城市大学深圳研究院);Northeastern University(东北大学);Chongqing University(重庆大学);Qingdao University of Technology(青岛理工大学);Hong Kong Polytechnic University(香港理工大学)
本文提出了一种可扩展的序列迁移优化测试问题生成器,通过引入相似性分布特征定量描述任务间最优解关系,并构建了包含12个STO问题的基准套件,解决了现有测试问题可扩展性差且难以建模真实世界相似性关系的问题。
2023-10-19 cs.AI cs.LG cs.NE
Finding Moving-Band Statistical Arbitrages via Convex-Concave Optimization
提出一种基于凸-凹优化的统计套利新方法,通过寻找满足价格带和杠杆约束的最高波动率投资组合,突破了传统配对限制,并推广至价格带中点随时间变化的移动带统计套利。
2024-02-12 cs.LG econ.EM q-fin.PM
Adjusted Similarity Measures and a Violation of Expectations
本文研究了调整相似度度量的通用方法,并探讨了空模型对调整操作符的影响,指出违反充分条件可能导致度量失效。
2026-01-15 cs.LG math.ST stat.ME