University of Oxford（牛津大学） - arXivDaily 高校专区

2607.24140 2026-07-28 cs.CV 新提交

Image Inpainting via Stochastic Dynamics

基于随机动力学的图像修复

Jiaqi Kuang, Zihao Guo, Zhongmin Qian

机构 * Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学牛津 - 苏州高等研究院）； Institute for Advanced Research, Great Bay University（大湾区大学高等研究院）； Mathematical Institute, University of Oxford（牛津大学数学研究所）

AI总结研究图像修复问题，提出基于数据引导随机动力学的非参数方法，无需网络训练，通过反向随机微分方程及核加权校正引导重建，在多个数据集实验中表现优于其他方法，证明经验参考统计对图像修复的有效性。

2607.24726 2026-07-28 cs.LG cs.NA math.NA 新提交

Global Convergence of DGM and PINN Algorithms for Solving Nonlinear PDEs

用于求解非线性偏微分方程的DGM和PINN算法的全局收敛性

Justin Sirignano, Konstantinos Spiliopoulos, Samuel Cohen

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所）； Department of Mathematics and Statistics, Boston University（波士顿大学数学与统计系）

AI总结研究一类半线性偏微分方程，证明用梯度下降训练来最小化PDE残差目标函数的神经网络可收敛到PDE解，为DGM和PINN算法求解此类方程的数学基础提供了依据。

2605.29819 2026-07-28 cs.LG 版本更新

The Interplay Between Interpolation and Aggregation in Regression: Optimal Sample Complexity

回归中插值与聚合的相互作用：最优样本复杂度

Mikael Møller Høgsgaard, Kasper Green Larsen, Liang-Yu Zou

机构 * Department of Computer Science, Aarhus University（奥胡斯大学计算机科学系）； Department of Statistics, University of Oxford（牛津大学统计学系）

AI总结本文从理论上研究回归中插值与聚合的相互作用，证明γ-图维度刻画了广泛自然聚合过程的可学习性，并发现通过中位数聚合三个插值假设的简单过程在所有聚合过程中最优，且严格强于恰当学习。

2601.01496 2026-07-28 cs.GT cs.AI cs.LG 版本更新

The Optimal Sample Complexity of Linear Contracts

线性合约的最优样本复杂度

Mikael Møller Høgsgaard

机构 * Department of Statistics, University of Oxford, United Kingdom（英国牛津大学统计系）； Department of Computer Science, Aarhus University, Denmark（丹麦奥胡斯大学计算机科学系）

AI总结本文通过经验效用最大化算法，证明仅需 O(ln(1/δ)/ε²) 个样本即可实现最优线性合约的 ε-近似，并匹配下界，从而确立最优样本复杂度。