arXiv cs.LG@Ilias Diakonikolas, Giannis Iakovidis, Mingchen Ma精选37该研究解决了高斯分布下多类线性分类的鲁棒学习问题。对于k≥3类的情况，此前算法在精度上存在指数级依赖。研究者发现标准多类感知器算法在k≥3时所需样本和更新次数超多项式，揭示了二元分类与多类分类的根本差异。他们提出了一种成对非恰当学习框架，实现了误差O(k^{3/2}√opt)+ε的多项式时间算法。对于k=3，进一步开发了基于定位的框架，达到误差O(opt)+ε。这些结果首次为多类线性分类提供了维度无关的误差保证和高效算法。论文多类分类鲁棒学习高斯分布多项式时间算法线性分类器推荐理由：该研究解决了多类线性分类在k≥3时长期存在的计算瓶颈，做机器学习理论或分类算法开发的团队值得关注，其成对框架可直接用于改进实际多类分类器的鲁棒性。
arXiv cs.LG@André Ribeiro, Ana Luiza Tenório, Tiago da Silva, Diego Mesquita精选37传统图神经网络（GNN）处理节点特征时，通常假设特征是实数向量，但许多场景下节点特征更适合用概率分布（如高斯分布）表示。直接拼接均值和协方差矩阵会丢失几何与代数结构。研究者提出高斯层神经网络（GSNN），基于细胞层理论推导出新的拉普拉斯算子，保留关键数学性质，并在合成和真实数据上验证了有效性。这项工作为处理不确定性或噪声数据的图学习提供了新思路。论文图神经网络高斯分布细胞层理论拉普拉斯算子概率建模推荐理由：做图学习或处理带噪声/不确定性数据的团队，GSNN 提供了一种保留概率结构的新方法，值得关注其理论推导和实验效果。