图书信息
内容简介
对 arXiv stat.ML 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 132 篇论文 的细读整理，组织为 37 章，按该领域的研究子方向描绘这一年的全貌。
全书框架（年度产出占比）：
- 统计学习理论与神经估计 (76.0%) — 发展神经网络与机器学习模型的统计基础与估计方法，包括漂移估计、不确定性量化与分布分析。
- 优化与随机近似 (7.3%) — 研究高维设定下风险最小化的随机梯度方法、基于核的优化与自适应算法的收敛性与效率。
- 大语言模型对齐与推理 (4.7%) — 聚焦通过强化学习与老虎机框架对齐大语言模型输出与人类偏好、提升推理能力并评估模型行为。
- 贝叶斯推断与概率计算 (4.6%) — 为具有图或层次结构的复杂概率模型发展高效贝叶斯推断算法，包括 MCMC 与变分方法。
- 共形预测与不确定性量化 (3.5%) — 在分布偏移与有限样本设定下，为机器学习模型提供无分布预测保证与校准的不确定性估计。
- 时间序列预测与时间依赖 (1.2%) — 处理多元时间序列预测、异常检测，以及时间依赖与非平稳下的共形推断挑战。
- 物理信息学习与算子方法 (1.2%) — 将微分方程与结构约束融入神经模型，以求解反问题并学习解算子。
- 样本复杂度与有限规模分析 (0.9%) — 分析小数据区域中学习算法的有限样本行为、样本复杂度界与实际缩放性质。
- 可解释分类与检测 (0.4%) — 发展用于分类、异常检测与科学发现的可解释方法，包括变点检测与分布外识别。
- 核方法与假设检验 (0.2%) — 研究基于核的统计检验、校准程序，以及评估模型性能的学习表示的理论性质。
- 部署模型中的偏见与行为 (0.1%) — 考察流行机器学习模型中的现实偏见、行为属性与公平性问题，强调 Shapley 解释与流行度对齐。
每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。
