AITOP

统计推断

共 3 条相关 AI 资讯
8月7日
09:37
09:37官方账号arXiv cs.LG@Anton Conrad, Rustam Isaev, Denis Belomestny, Eric Moulines, Sergey Samsonov
本文针对随机局部化共形预测（RLCP）给出了有限样本保证。在条件分数 CDF 满足 Hölder 正则性及标准密度和核假设下，作者证明了条件覆盖缺口和相对于 oracle 的长度误差的高概率界。该界分解为 O(h^β) 的局部化偏差和随校准规模递减的校准项，明确了带宽的偏差-方差权衡。对于数据分割学习分数，当分数针对枢轴分数时，局部保证可分解为固定分数校准和均匀分数估计误差，表明改进学习能强化局部化保证。
论文RLCPConformal Prediction不确定性量化
推荐理由：这篇论文给 RLCP 补上了有限样本保证，证明局部校准误差有界，还能帮你理解带宽怎么选。
原文
7月17日
17:48
17:48Marc Andreessen@pmarca
精选
Edgar Dobriban利用GPT-5.6 Sol Pro在90分钟推理内，证明Benjamini-Hochberg（BH）过程在相关高斯双尾检验中无法普遍控制错误发现率（FDR）。通过一个高斯因子模型，在名义水平alpha=0.01时，实际FDR被证明超过0.0104。该问题自Benjamini和Hochberg（1995）提出以来已悬而未决近30年，论文引用超13万次。GPT-5.5在约20小时多智能体迭代中未能解决此问题。
论文GPT-5.6 Sol ProBenjamini-Hochbergfalse discovery rate
事件专题
推荐理由：AI真的在推动数学进步了：GPT-5.6只用90分钟就找到了统计学里一个经典开放问题的反例，而5.5版本折腾20小时都没搞定。这篇报告值得所有关心AI科研能力的人看。
原文
6月12日
10:27
10:27官方账号arXiv cs.AI@Lezhi Tan, Tijana Zrnic
该论文提出了一种名为“任务可交换性”的统计条件，允许研究人员在合成数据存在偏差和噪声的情况下，仍能进行具有可证明有效性的推断。核心思想是：如果当前研究任务与某些已有真实数据的“历史任务”在数学上可交换，那么就可以利用合成数据来扩展研究，同时保证统计结论的可靠性。作者在公众舆论调查（使用“硅样本”）和AI评估（使用自动评分器）两个场景中验证了该框架。这项工作为社会科学、AI评测等领域安全使用合成数据提供了理论基础。
论文合成数据统计推断任务可交换性
推荐理由：合成数据在科研中越来越常见，但偏差问题一直让人头疼。这篇论文给出了一个可操作的统计框架，让做社会科学调查或AI评估的研究者可以放心地用合成数据做推断，值得关注。
原文