符号密度估计框架估计未归一化分布
Get the story
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- 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。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.