JMLR

Scalable Inference-Time Annealing with Surrogate Likelihood Estimators

可扩展的推理时退火与代理似然估计器

Daniel Peñaherrera, Rishal Aggarwal, David Ryan Koes

机构 * CMU-Pitt PhD Program in Computational Biology Dept. of Computational & Systems Biology, University of Pittsburgh, Pittsburgh, PA 15260, USA（卡内基梅隆大学-匹兹堡联合博士项目 计算生物学部门 计算与系统生物学系，匹兹堡大学，匹兹堡，PA 15260，USA） 纠错

AI总结 提出可扩展推理时退火（SITA）方法，通过基于能量的模型实现快速代理似然，避免昂贵的散度计算，在丙氨酸二肽和三肽上取得最先进性能。

Comments 26 pages, 5 figures, submitted to JMLR 2026

The Sample Complexity of Parameter-Free Stochastic Convex Optimization

无参数随机凸优化的样本复杂度

Jared Lawrence, Ari Kalinsky, Hannah Bradfield, Yair Carmon, Oliver Hinder

机构 * Department of Industrial Engineering, University of Pittsburgh（工业工程系，匹兹堡大学） ； Department of Computer Science, Tel Aviv University（计算机科学系，特拉维夫大学） 纠错

AI总结 研究未知问题参数（如到最优点的距离和Lipschitz常数）下随机凸优化的样本复杂度，提出可靠模型选择方法和正则化方法，实现最优样本复杂度并避免过拟合。

Comments Accepted for publication in JMLR

Investigating the Histogram Loss in Regression

探究回归中的直方图损失

Ehsan Imani, Kai Luedemann, Sam Scholnick-Hughes, Esraa Elelimy, Martha White

机构 * Alberta Machine Intelligence Institute (Amii) and Reinforcement Learning and Artificial Intelligence Laboratory（阿尔伯塔机器智能研究所（Amii）和强化学习与人工智能实验室） ； Department of Computing Science, University of Alberta（计算科学系，阿尔伯塔大学） ； University of Tübingen（图宾根大学） ； Zuse School ELIZA（祖斯学校ELIZA） 纠错

AI总结 本文通过理论和实验分析，探究直方图损失在回归任务中提升性能的原因，发现其优势源于优化改进而非额外信息建模，并在常见深度学习应用中验证其有效性。

Comments 52 pages

Journal ref JMLR,2026