Quasi-random sampling for multivariate distributions via generative neural networks
University of Waterloo（滑铁卢大学）
为了计算方差约减下的估计，引入了生成矩匹配网络（GMMN），用于从具有任何底层copula的多变量模型中生成准随机样本。到目前为止，多元分布的准随机抽样需要仔细设计，利用隐含参数copula或基础准蒙特卡罗（QMC）点集的特定属性（例如条件分布），并且仅适用于少数模型。利用GMMN允许一个构建准随机样本的多变量分布的种类要多得多，没有这样的限制，包括经验的依赖结构，没有很好地捕捉参数copula的真实数据。一旦在来自参数模型的伪随机样本上或在真实数据上训练，这些神经网络仅需要多变量标准均匀随机化QMC点集作为输入，并且因此在方差减少的依赖下快速估计感兴趣的期望。数值例子被认为是证明的方法，包括应用程序的风险管理实践的启发。所有结果都可以通过演示GMMN_QMC_paper、GMMN_QMC_data和GMMN_QMC_timing作为R包gnn的一部分重现。
2020-04-02 cs.LG stat.ML
A non-parametric conditional factor regression model for high-dimensional input and response
University of Technology, Sydney（悉尼科技大学）
在本文中，我们提出了一个非参数条件因子回归（NCFR）模型的输入和响应的高维域。NCFR以两种方式增强了线性回归：a）引入低维潜在因子，导致降维; b）将印度巴菲特过程（Indian Buffet Process）集成为潜在因子的先验，以导出无限稀疏维度。实验结果比较NCRF的几个替代品提供证据显着的预测性能。
2013-07-02 cs.LG stat.ML
Parametric Modelling of Multivariate Count Data Using Probabilistic Graphical Models
CIRAD（法国农业研究与国际合作组织）；Inria（法国国家信息与自动化研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Laboratoire Jean Kuntzmann（让·库茨曼实验室）
多变量计数数据定义为从总体内的抽样中发布的不同类别的项目的数量，其中个体被分组到类别中。多变量计数数据的分析是许多建模问题中经常出现的关键问题，特别是在生物学和生态学（其中数据可以表示与多类型分支过程相关的儿童计数），社会学和计量经济学领域。我们专注于I）识别同时出现的类别，或者相反，相互排斥的类别。这是通过以下方式实现的：识别变量之间的条件独立关系; II）构建与这些关系一致的简约参数模型; III）表征和检验协变量对计数的联合分布的影响。为了实现这些目标，我们提出了一种基于图形概率模型的方法，更具体地说，部分有向无环图。
2013-12-16 cs.LG stat.ME stat.ML
Modeling Inter-Dependence Between Time and Mark in Multivariate Temporal Point Processes
Mastercard, AI Garage（万事达卡 AI 车库）
本文针对带标记时间点过程中时间与标记条件独立假设的局限性，提出以当前事件标记为条件建模时间分布的多元TPP方法，并结合基于强度与无强度模型，在标准预测任务上取得优于现有模型的性能。
2024-11-23 cs.LG stat.ML
MST-Direct at Scale: Multivariate and Conditional Geostatistical Simulation via Sinkhorn Optimal Transport
提出MST-Direct扩展方法，通过稀疏Sinkhorn匹配器、多变量元组匹配和克里金条件化，实现大规模、多变量、条件地质统计模拟，精确保持联合分布。
2026-05-26 cs.LG stat.ME stat.ML
Multivariate Uncertainty Quantification with Tomographic Quantile Forests
Kobe Gakuin University（神户学院大学）
本文提出Tomographic Quantile Forests，一种非参数、不确定性感知的树回归模型，用于多变量目标的条件分布估计，通过多方向量化聚合和 sliced Wasserstein 距离最小化实现多变量分布重建。
2026-04-01 cs.LG stat.ML
MCODE: Multivariate Conditional Outlier Detection
University of Pittsburgh（匹兹堡大学）
离群值检测的目的是识别偏离预期模式的异常数据实例。当异常值是上下文相关的并且当它们由多个结果变量值的不寻常组合定义时，异常值检测特别具有挑战性。在本文中，我们开发和研究了一种新的条件离群值检测方法的多元结果空间，其工作原理是（1）转换的条件检测到离群值检测问题在一个新的（无条件）空间和（2）定义离群值得分通过分析数据在新的空间。我们的方法依赖于多维分类问题的分类器链分解，该分类器链分解让我们将输出空间转换为概率向量，输出空间的每个维度都有一个概率。然后，应用于这些变换向量的离群值分数用于检测离群值。多个多维分类问题与不同的离群值注入率的实验表明，我们的方法是强大的，能够成功地识别离群值时，离群值是稀疏（表现在一个或很少的维度）或密集（影响多个维度）。
2015-05-15 cs.AI cs.LG stat.ML
Multivariate Latent Recalibration for Conditional Normalizing Flows
Department of Computer Science, University of Mons（蒙斯大学计算机科学系）
针对多变量条件分布校准问题，提出潜在重校准方法，在条件归一化流潜在空间中学习变换，生成带显式密度且高效的重校准分布，实验证明其提升校准误差与负对数似然。
2025-10-24 cs.LG
More Powerful Conditional Selective Inference for Generalized Lasso by Parametric Programming
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
条件选择性推理作为一种新的数据驱动假设的统计推断框架，已经得到了广泛的研究。条件SI的基本概念是使推理以选择事件为条件，这使得即使在基于数据选择假设时也能够进行准确和有效的统计推断。条件SI主要是在模型选择的背景下研究的，如香草套索或广义套索。现有方法的主要限制是由于过度调节而导致的低统计功效，这是计算易处理性所需的。在这项研究中，我们提出了一个更强大的和一般的条件SI方法的一类问题，可以转化为二次参数规划，其中包括广义套索。该方法的核心思想是计算最优解在所选检验统计量方向上的连续路径，并根据该路径识别出与模型选择事件相对应的数据空间子集，从而避免了上述过度条件化的主要缺点，同时在多个方面提高了SI的性能和实用性.我们进行了几个实验来证明我们所提出的方法的有效性和效率。
2021-05-11 cs.LG stat.ML
Neural Optimal Transport Meets Multivariate Conformal Prediction
Department of ML, MBZUAI（机器学习系，MBZUAI）；MBZUAI, UAE（MBZUAI，阿联酋）；CMAP, École polytechnique（CMAP，巴黎高等理工学院）；Ecole Polytechnique, Palaiseau, France（巴黎高等理工学院，Palaiseau，法国）
本文提出融合神经最优传输与摊销优化的CVQR框架，利用多元秩构建有限样本有效的无分布共形预测区域，并在基准上取得更优覆盖—效率权衡。
2025-09-29 cs.LG stat.ML
MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation
Shanghai Jiao Tong University（上海交通大学）；Chinese Academy of Sciences（中国科学院）
针对多变量时间序列插补的一致性难题，提出条件扩散模型MTSCI，通过对比互补掩码和窗口混合机制保障两类一致性，在多数据集不同缺失场景下取得SOTA性能。
2024-08-11 cs.AI cs.LG stat.ML
IB-GAN: A Unified Approach for Multivariate Time Series Classification under Class Imbalance
Cornell University（康奈尔大学）；Amazon Search（亚马逊搜索）
具有强类别不平衡性的大型多变量时间序列的分类是实际应用中的一项重要任务。类权重，过采样或参数数据增强的标准方法并不总是产生显着的改善预测少数类的兴趣。使用生成对抗网络（GANs）的非参数数据增强提供了一个很有前途的解决方案。本文提出了一种新的估算平衡GAN（IB-GAN）方法，它通过估算平衡的方法将数据扩充和分类结合在一个一步的过程中。IB-GAN使用插补和重采样技术从随机掩码向量中生成比白噪声更高质量的样本，并通过一组类平衡的真实和合成样本来增强分类。插补超参数$p_{miss}$允许通过调整经由生成器插补引入的创新来正则化分类器可变性。IB-GAN易于训练和模型不可知，将任何深度学习分类器与生成器配对，并为未被观察到的类提供更高的准确性。对开源UCR数据和专有90 K产品数据集的实证实验显示，与最先进的参数和GAN基线相比，性能有了显著提高。
2021-10-14 cs.LG stat.ML
Variational Inference of Joint Models using Multivariate Gaussian Convolution Processes
University of Michigan（密歇根大学）
提出基于多元高斯卷积过程和Cox模型的非参数预后框架，通过变分推断同时估计参数，降低计算复杂度并防止过拟合，在合成与真实数据上优于两阶段推断方法。
2019-03-09 cs.LG stat.ML
Detecting Dependencies in Sparse, Multivariate Databases Using Probabilistic Programming and Non-parametric Bayes
Massachusetts Institute of Technology（麻省理工学院）
具有数百个变量和许多缺失值的数据集是常见的。在这种情况下，检测变量之间的真实预测关系以及抑制假阳性在统计和计算上都具有挑战性。本文提出了一种方法，结合概率规划，信息论，和非参数贝叶斯。它展示了如何使用贝叶斯非参数建模来（i）为所有变量构建联合概率模型的集合;（ii）有效地检测边缘独立性;以及（iii）估计变量的任意子集之间的条件互信息，受到广泛的约束。用户可以使用BayesDB访问这些功能，BayesDB是一个用于概率数据分析的概率编程平台，通过用简单的类似SQL的语言编写查询。本文实证表明，该方法可以（i）检测具有挑战性的合成问题的上下文特定（中）的依赖关系，（ii）提高敏感性和特异性，超过基线的统计和机器学习，在现实世界的数据库中的300多个稀疏观察的宏观经济发展和公共卫生指标。
2017-03-27 cs.AI cs.LG stat.ML
Estimating Conditional Covariance between labels for Multilabel Data
School of Computer, Data and Mathematical Sciences（计算机、数据与数学科学学院）；Western Sydney University（西澳大学）
本文比较三种模型估计多标签条件协方差，发现多元Probit错误率最低，但所有模型在恒定协方差数据中误检依赖协方差。
2025-08-26 cs.LG
Markov Blanket Ranking using Kernel-based Conditional Dependence Measures
University of Pittsburgh School of Medicine（匹兹堡大学医学院）
开发特征选择算法，超越纯粹的相关性，对观测数据进行更具因果性的分析，是科学中的一个重要问题。有几种算法试图通过发现目标的马尔可夫毯来做到这一点，但它们都包含一个前向选择步骤，变量必须通过该步骤才能被包括在条件集中。因此，这些算法可能不会考虑所有可能的条件多变量组合。我们提出了一个向后消除方法，使用基于核的条件依赖措施，以确定马尔可夫毯在一个完全多变量的方式来改善这个限制。该算法易于实现，并在合成数据集和真实数据集上与其他方法进行了比较。
2014-05-03 cs.LG stat.ML
Conditional simulation via entropic optimal transport: Toward non-parametric estimation of conditional Brenier maps
CalTech（加州理工学院）；Center for Data Science, New York University（纽约大学数据科学中心）；Massachusets Institute of Technology（麻省理工学院）；Courant Institute of Mathematical Sciences, New York University（纽约大学柯朗数学科学研究所）
针对条件模拟中条件 Brenier 映射缺乏统计与算法保证的问题，提出基于熵最优传输的非参数估计器，利用缩放二次成本下最优传输映射的渐近收敛性，并在基准数据集上验证了其性能。
2024-11-11 cs.LG math.OC stat.ML
Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University of Alberta（阿尔伯塔大学）
本文提出通道感知对比条件扩散模型CCDM，通过通道中心去噪网络和基于去噪的时间对比学习提升多元概率时间序列预测精度与泛化能力，在基准测试中优于现有扩散预测器。
2024-10-03 cs.LG
Generating Multivariate Load States Using a Conditional Variational Autoencoder
Delft University of Technology（代尔夫特理工大学）
对于电力系统的规划和操作工具的校准，在大范围的代表性场景中分析系统性能是必不可少的。当可用的历史数据有限时，生成模型是一个很有前途的解决方案，但建模高维依赖性是具有挑战性的。提出了一种基于条件变分自编码（CVAE）神经网络的多变量负荷状态生成模型。超越常见的CVAE实现，该模型包括在给定的潜在向量下输出样本的随机变化，并共同优化该输出可变性的参数。结果表明，这提高了所生成的数据的统计特性。使用单变量和多变量性能度量来评估生成的多变量负载的质量。欧洲网络的发电充裕度的案例研究被用来说明模型的能力，以产生现实的尾部分布。实验结果表明，该生成器优于其他数据生成机制。
2022-12-14 cs.LG cs.SY eess.SY
Distributionally Robust Local Non-parametric Conditional Estimation
Stanford University（斯坦福大学）；HEC Montréal（蒙特利尔高等商学院）
给定特定协变量值的条件估计（即，局部条件估计或函数估计）对于工程、社会和自然科学中的应用是普遍有用的。现有的数据驱动的非参数估计主要集中在结构化的同质数据（例如，弱独立和稳定的数据），因此它们对对抗性噪声敏感，并且在低样本量下可能表现不佳。为了缓解这些问题，我们提出了一种新的分布鲁棒估计，通过最小化Wasserstein模糊集中所有对抗分布的最坏情况条件预期损失来生成非参数局部估计。我们表明，尽管一般是棘手的，本地估计可以有效地找到通过凸优化广泛适用的设置下，它是强大的腐败和异质性的数据。合成和MNIST数据集的实验表明，这类新的估计的竞争力。
2020-10-12 cs.LG math.ST stat.ML
Predictive Independence Testing, Predictive Conditional Independence Testing, and Predictive Graphical Modelling
University College London（伦敦大学学院）
检验多变量随机变量的（条件）独立性是统计推断和一般建模的核心任务-尽管不幸的是，迄今为止还不存在可行的工作流程。最先进的工作流程需要启发式或主观的手动选择、高计算复杂性或强参数假设。我们通过建立多元/条件独立性检验和多元预测建模（又称监督学习任务）中的模型比较之间的理论联系来解决这些问题。这个链接允许在广泛研究的监督学习工作流程中的进步直接转移到独立性测试工作流程中-包括自动调整机器学习类型，其解决了启发式选择的需求，定量权衡计算需求与准确性的能力，以及用于检查和接口的现代黑箱哲学。作为两个工作流之间这种联系的实际实现，我们提出了一个python包“pcit”，它实现了我们新颖的多变量和条件独立性测试，与scikit-learn包的监督学习API接口。理论和包还允许基于图形模型结构的学习的直接独立性测试。我们的经验表明，我们提出的预测独立性测试优于或等同于目前的做法，和派生的图形模型结构学习算法渐近恢复的“真”图。这篇文章，以及它附带的“pcit”包，为多元和条件独立性测试以及图形模型结构学习提供了强大的，可扩展的，可推广的和易于使用的方法。
2018-04-28 cs.LG math.ST stat.ME
Capturing Multivariate Dependencies of EV Charging Events: From Parametric Copulas to Neural Density Estimation
Kempelen Institute of Intelligent Technologies（肯佩伦智能技术研究所）
本文提出利用Vine copulas和CODINE框架建模电动汽车充电事件的多变量依赖性，通过实验证明其在捕捉尾部行为和相关结构方面优于传统方法。
2026-03-31 cs.LG
Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians
Air Force Institute of Technology（空军理工学院）；Duke University（杜克大学）
本文研究攻击者通过破坏证据变量来扰乱多元高斯模型条件推断的问题，将攻击建模为二次规划或随机二次规划，并在房地产评估、利率估计和信号处理等场景中验证了白盒与灰盒攻击的有效性及行为差异。
2024-11-21 cs.CR cs.LG stat.AP
Transformer-based conditional generative adversarial network for multivariate time series generation
时间相关数据的条件生成是一项非常有趣的任务，无论是用于数据增强、情景模拟、完成缺失数据还是其他目的。最近的工作提出了一种基于转换器的时间序列生成对抗网络（TTS-GAN），以解决递归神经网络的局限性。然而，该模型假设单峰分布，并试图围绕真实数据分布的期望生成样本。它的一个局限性是它可能生成一个随机的多变量时间序列;它可能无法在整体分布中存在多个子分量的情况下生成样本。人们可以训练模型来分别适应每个子组件，以克服这种限制。我们的工作扩展了TTS-GAN，通过在特定的编码上下文上调节其生成的输出，允许使用一个模型来拟合具有多个子分量的混合分布。从技术上讲，它是一种条件生成对抗网络，可以在不同类型的条件下对现实的多变量时间序列进行建模，例如分类变量或多变量时间序列。我们在UniMiB数据集上评估我们的模型，该数据集包含使用智能手机收集的人类活动XYZ轴的加速度数据。我们使用定性评估和定量指标，如主成分分析（PCA），我们引入了一个修改版本的弗雷歇初始距离（FID）来衡量我们的模型的性能和生成的和真实的数据分布之间的统计相似性。我们表明，这种基于变换的CGAN可以在不同的条件下产生现实的高维和长的数据序列。
2022-10-05 cs.AI cs.LG
Parametric and Multivariate Uncertainty Calibration for Regression and Object Detection
e:fs TechHub GmbH（e:fs科技中心有限公司）；Ruhr West University of Applied Sciences（鲁尔西区应用科学大学）
可靠的空间不确定性评估的目标检测模型是特别感兴趣的，一直是最近的工作主题。在这项工作中，我们回顾了现有的定义概率回归任务的不确定性校准。我们检查常见的检测网络的校准特性，并扩展最先进的重新校准方法。我们的方法使用高斯过程（GP）重新校准方案，该方案产生参数分布作为输出（例如高斯或柯西）。GP重新校准的使用允许通过捕获相邻样本之间的依赖性来进行局部（条件）不确定性校准。诸如高斯的参数分布的使用允许在随后的过程中简化校准的适应，例如，用于卡尔曼滤波范围内的目标跟踪。此外，我们使用GP重新校准方案来执行协方差估计，其允许输出量之间的局部相关性的事后引入，例如，位置、宽度或高度。为了测量多变量和可能相关的数据的联合校准，我们引入了分位数校准误差，该误差基于预测分布和地面真实值之间的Mahalanobis距离来确定地面真实值是否在预测分位数内。我们的实验表明，常见的检测模型高估了空间的不确定性相比，观察到的误差。我们表明，简单的等渗回归重新校准方法是足以实现一个很好的不确定性量化校准的分位数。相比之下，如果后续过程需要正态分布，我们的GP-正态重新校准方法会产生最佳结果。最后，我们表明，我们的协方差估计方法是能够实现最佳的联合多变量校准结果。
2022-08-19 cs.LG
OceanMoE: Structured Conditional Sparse Computation for Long-Horizon Multivariate Ocean Forecasting
Hangzhou Institute for Advanced Study, University of the Chinese Academy of Sciences（中国科学院大学杭州高等研究院）；Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）
OceanMoE提出结构化条件稀疏混合专家框架，通过内容条件路由与地理偏差平衡共享背景与特化，在长时程ORAS5预报中降低误差并保持优势。
2026-09-18 cs.LG
A Non-Parametric Control Chart For High Frequency Multivariate Data
SAS（赛仕软件）
支持向量数据描述（SVDD）是一种用于单类分类和离群点检测的机器学习技术。基于SVDD的K图是由Sun和Tsung首先提出的，用于当过程参数或质量特性的潜在分布偏离正态分布时监控多变量过程。该方法首先根据从过程的稳定或受控操作中获得的数据训练SVDD模型，以获得阈值$R^2$和内核中心a。对于每个新观测，计算其与核中心a的核距离。将核距离与阈值$R^2$进行比较，以确定观测值是否在控制限内。非参数K图提供了一个有吸引力的替代传统的控制图，如霍特林的$T^2$图时，潜在的多元数据的分布是非正态分布或未知的。但是K图在实际应用中存在着一些问题。K图要求计算每个新观测值的核距离，但没有关于如何解释核距离图和推断过程均值变化或过程变异变化的指导方针。这限制了K图在大数据应用中的应用，例如设备健康监测，其中观察结果以非常高的频率生成。在这种情况下，使用K图的分析师被非常高频率的核距离结果淹没，通常没有任何追索权来检测任何可分配的变异原因的存在。我们提出了一种新的基于SVDD的控制图，称为$K_T$图，它解决了使用K图时遇到的挑战，大数据应用。$K_T$图表可用于同时跟踪过程变化和集中趋势。以田纳西伊士曼过程数据为例说明了$K_T$图的成功应用。
2016-07-29 cs.LG stat.AP stat.ME
Distributional Drift Adaptation with Temporal Conditional Variational Autoencoder for Multivariate Time Series Forecasting
School of Medical Technology, Beijing Institute of Technology（北京理工大学医学技术学院）；School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；Department of Computer Science, Tongji University（同济大学计算机科学系）；University of Technology Sydney（悉尼科技大学）；DataX Research Centre, School of Computing, Macquarie University（麦考瑞大学计算学院DataX研究中心）
本文提出时序条件变分自编码器TCVAE，通过时序Hawkes注意力、门控注意力机制和条件连续归一化流建模多元时间序列的动态分布依赖，有效应对分布漂移，在六个真实数据集上验证了其优越的鲁棒性和预测性能。
2024-04-02 cs.LG
TCMI: a non-parametric mutual-dependence estimator for multivariate continuous distributions
Fritz Haber Institute of the Max Planck Society（马克斯·普朗克学会弗里茨·哈伯研究所）；Humboldt-Universität zu Berlin（柏林洪堡大学）
相关特征的识别，即，决定过程或系统属性的驱动变量是分析具有大量变量的数据集的重要部分。量化这些特征的相关性的数学严格方法是互信息。互信息根据特征与感兴趣的属性的联合相互依赖性来确定特征的相关性。然而，互信息需要概率分布作为输入，这不能从连续分布（诸如像长度或能量的物理量）可靠地估计。在这里，我们介绍了总累积互信息（TCMI），相互依赖的相关性，扩展互信息的连续分布的基础上累积概率分布的随机变量的措施。TCMI是一种非参数的、鲁棒的和确定性的度量，其促进具有不同基数的特征集之间的比较和排名。TCMI诱导的排名允许特征选择，即，识别与感兴趣的属性在统计上非线性相关的变量集，考虑数据样本的数量以及变量集的基数。我们评估我们的措施与模拟数据的性能，比较其性能与类似的多变量依赖措施，并证明了我们的功能选择方法的有效性的一组标准数据集和材料科学中的一个典型场景。
2022-07-30 cs.IT cs.LG math.IT
Multivariate Standardized Residuals for Conformal Prediction
Sierra team, Inria Paris, France（Inria巴黎分部）
本文提出多元标准化残差方法，通过白化残差解耦输出相关性并标准化局部方差，从而提升置信预测的条件覆盖性能。
2026-05-07 cs.AI cs.LG stat.ME
CGAN-EB: A Non-parametric Empirical Bayes Method for Crash Hotspot Identification Using Conditional Generative Adversarial Networks: A Real-world Crash Data Study
University of Waterloo（滑铁卢大学）
基于负二项分布（NB）等参数统计模型的经验贝叶斯（EB）方法已被广泛应用于道路网安全筛选过程中的站点排序。本文是作者先前研究的延续，提出了一种基于条件生成对抗网络（CGAN）的碰撞频率数据建模的新的非参数EB方法，并在几个模拟碰撞数据集上进行了评估。与参数方法不同，在拟议的CGAN-EB中，不需要预先指定因变量和自变量之间的潜在关系，并且它们能够对任何类型的分布进行建模。所提出的方法现在被应用于从2012年到2017年在华盛顿州的路段收集的真实世界的数据集。CGAN-EB在模型拟合、预测性能和网络筛选结果方面的性能与传统方法（NB-EB）作为基准进行了比较。实验结果表明，CGAN-EB方法在预测能力和热点识别测试方面优于NB-EB方法。
2021-12-16 cs.LG
Scalable Learning of Multivariate Distributions via Coresets
Lamarr Institute for ML & AI, TU Dortmund（拉马尔人工智能与机器学习研究所，多特蒙德技术大学）；Scientific Computing Center, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院科学计算中心）；Department of Statistics, TU Dortmund（多特蒙德技术大学统计学系）
本文提出一种新的聚类集构造方法，用于多变量条件变换模型，以提高其可扩展性和训练效率，通过重要性抽样实现数据缩减，确保对数似然在乘法误差范围内，适用于复杂分布和非线性关系的场景。
2026-03-20 cs.DS cs.LG stat.CO
Beyond Time Induction: Structured Conditional Neural Solvers for Parametric Stochastic-Volatility Pricing
University College London（伦敦大学学院）；Aicraft
该研究针对参数随机波动率定价问题，提出结构化条件神经求解器BeTINN，在Heston随机波动率PDE上验证其可提升归一化期权价值与关键敏感性指标的联合精度，为结构化条件适应性及导数感知评估提供支撑。
2026-10-15 cs.CE cs.LG q-fin.CP
Mining Block I/O Traces for Cache Preloading with Sparse Temporal Non-parametric Mixture of Multivariate Poisson
NetApp, Inc.（网存公司）；Indian Institute of Science（印度科学学院）
本文提出稀疏时间非参数混合多维泊松模型，用于从块I/O轨迹中挖掘缓存预加载的长程模式，通过稀疏建模提高效率，实验证明在基准轨迹上显著提升命中率。
2014-10-13 cs.LG cs.OS cs.SY
EMFusion: Uncertainty-Aware Conditional Diffusion Model for Multivariate Narrow-band Exposure Forecasting
department of Electrical Engineering and Computer Science, York University（电气工程与计算机科学系，约克大学）；School of Electrical and Electronic Engineering, Huazhong University of Science and Technology（电子与电气工程学院，华中科技大学）；Central China Branch of State Grid Corporation of China（国家电网公司中部分部）；Department of Electronic Engineering, University of Rome Tor Vergata（罗马大学Tor Vergata电子工程系）；Consorzio Nazionale Interuniversitario per le Telecomunicazioni (CNIT)（国家大学间电信研究会（CNIT））
本文提出EMFusion框架，通过整合时间、季节等上下文因素，提供不确定性估计，以提升无线网络中频率选择性电磁场预测的准确性。
2026-06-24 cs.AI cs.LG cs.SY
