热点事件持续更新
符号密度估计框架估计未归一化分布
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月9日，arXiv Machine Learning Theory（一手来源）发表论文，提出一个从观测样本估计未归一化分布符号表达式的框架。该框架结合深度生成模型与符号回归（SR），并引入因子化大分布等归纳偏置以保持问题可解。所研究的深度生成模型包括基于似然的流模型和基于分数的模型。实验在多元玩具分布及计算物理晶格（XY 模型、φ⁴ 理论）上验证了有效性，并在 φ⁴ 理论重整化问题中直接从样本给出不同尺度下哈密顿函数的紧凑符号近似。目前报道仅涉及该论文内容，未见后续验证或争议。
AI 根据报道生成 · 2 小时前更新
最新进展10月9日 12:00
arXiv 论文提出结合深度生成模型与符号回归的框架，在玩具分布及 XY、φ⁴ 晶格上验证有效性。报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv · Machine Learning Theory用于未归一化分布的符号密度估计器
论文提出一个从观测样本估计未归一化分布符号表达式的框架，结合深度生成模型与符号回归（SR），并引入因子化大分布等归纳偏置保持问题可解。所研究的深度生成模型包括基于似然的流模型和基于分数的模型。实验在多元玩具分布及计算物理晶格（XY 模型、φ⁴ 理论）上验证有效性，在 φ⁴ 理论重整化问题中直接从样本给出不同尺度下哈密顿函数的紧凑符号近似。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。