JMLR

Accelerating Constrained Sampling: A Large Deviations Approach

加速约束采样：大偏差方法

Yingli Wang, Changwei Tu, Xiaoyu Wang, Lingjiong Zhu

机构 * School of Mathematics, Shanghai University of Finance and Economics（上海财经大学数学学院） ； FinTech Thrust, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）金融科技学域） ； Department of Mathematics, Florida State University（佛罗里达州立大学数学系） 纠错

AI总结 本文提出通过大偏差原理分析约束采样中的Skew-Reflected非可逆 Langevin 采样方法，通过设计特定对称矩阵加速收敛并降低渐近方差。

Comments 59 pages, 15 figures

Journal ref Journal of Machine Learning Research 2026, Volume 27, Number 118, 1-61

Near-optimal Delta-convex Estimation of Lipschitz Functions

Lipschitz函数的近最优Delta-凸估计

Gábor Balázs

机构 * G&G 纠错

AI总结 本文针对从噪声观测中估计未知Lipschitz函数的问题，提出一种扩展最大仿射方法的算法。通过非线性特征扩展等技术，在随机设计设置下达到极小极大收敛速度。算法集成多种机制，还能适应凸形状受限回归，实验显示其性能优于其他理论方法。

Comments 41 pages, 7 figures

Journal ref Journal of Machine Learning Research, 27(134):1-41, 2026

Hierarchical Causal Models

分层因果模型

Eli N. Weinstein, David M. Blei

AI总结 研究数据分层情境下的因果推断问题，引入分层因果模型，开发图形识别技术与估计策略，通过模拟和实例分析表明分层数据能实现因果识别，解决非分层数据无法解决的问题。

Comments This version cleans up an issue in Prop. 15 in App. E.1. Supplementary code is available at https://github.com/EWeinstein/HCM

Journal ref Journal of Machine Learning Research, 27(37) 1-73, 2026