VernamVeil: A Fresh Take on Function-Based Encryption
密码学通常感觉像是一种古老的黑暗艺术，充满了数学繁重的概念，刚性的钥匙尺寸和严格的协议。但是，如果您可以完全重新考虑“密钥”的想法，该怎么办？如果钥匙不是固定的斑点，而是一个活着的呼吸功能怎么办？ vernamveil是一个实验性密码，可以准确探索这个想法。 […]
Q&A: Do women leaders drive better environmental outcomes?
我们如何以可持续的方式为贫穷的农村社区提供能源？是什么激励发展中国家的政策制定者制定提供更多电力的政策，同时又不进一步促进气候变化？这些政策制定者是否关注气候变化，或者对仅仅进一步促进其选举收益感兴趣？
'Stranded' astronauts closer to coming home after next ISS launch
国际空间站的常规船员轮换具有异常的意义：这为一对搁浅超过九个月的宇航员终于回家铺平了道路。
A Visual Understanding of the Softmax Function
Softmax 函数背后的数学和直觉及其在神经网络和 softmax 回归中的应用继续阅读 Towards Data Science »
Some Notes On The Utility Function Of Fundamental Science Experiments
今年早些时候，我在这里提到，我将撰写一篇关于如何指定基础科学实验的效用函数的文章，作为实现共同设计优化问题形式化的有利步骤。现在，随着提交截止日期的临近和时间的流逝，我又回到了这个话题，并仔细思考了这个问题，所以我认为在这里分享一些关于这个问题的想法是合适的。阅读更多
Omnipredictors for Regression and the Approximate Rank of Convex Functions
考虑监督学习设置，其目标是学习根据分布中的点 x 预测标签 y。损失函数类 L 和假设类 C 的全能预测器是这样的预测器，对于 L 中的每个损失，其预测的预期损失小于 C 中的最佳假设。自从 [GKR+21] 的工作引入这一概念以来，在 y∈{0,1} 的二元标签设置中已经有大量工作，但对于 y∈[0,1] 可以是连续的回归设置，人们知之甚少。我们的主要概念贡献是充分的概念……
5 Tips for Writing Better Python Functions
本教程介绍了五种简单而有效的实践，用于编写更好且可维护的 Python 函数。
The Estimation of Production Functions with Monetary Values
几十年来，有关生产函数估计的文献一直集中在通过不同的估计程序消除内生性偏差，以获得正确的要素弹性和其他相关参数。该问题的理论讨论正确地假设生产函数是物理投入和产出之间的关系。
Interpreting and Improving Optimal Control Problems With Directional Corrections
许多机器人技术任务，例如路径规划或轨迹优化，被表达为最佳控制问题（OCP）。获得高性能的关键在于OCP目标函数的设计。实际上，目标函数由一组单个组件组成，必须仔细建模和交易，以使OCP具有所需的解决方案。平衡多个组件以实现所需的解决方案并了解解决方案时，通常是具有挑战性的，即在不希望的情况下会影响个人成本组件的影响。在本文中，我们提出一个框架…
UW ranked 38th worldwide in academic reputation
排名基于世界上最大的邀请函数的学术意见调查，全球有55,000多名学者的回应。
辍学通常是指从其所属的组织或社会中删除或采取反建制行动。这个词具有负面含义，例如辍学或辍学，通常不被认为是非常有利的。 但是，在AI（人工智能）的机器学习中，该术语具有完全不同的含义。它在提高AI学习准确性方面起着重要作用。辍学不仅可以应用于机器学习，还可以应用于组织成长的体育培训和培训。 这次，让我们看一下辍学。 AI机器学习是根据大量培训数据进行的。通过重复机器学习，可以提高未来预测和数据分类的准确性。当AI首次发展时，它像人类一样犯了各种错误。但是，与人类不同，他们不会抱怨或疲倦，并且始终继续学习。这将越来越提高准确性。过度学习是AI机器学习中的一个问题。过度学习是指在训练过程中获得高精
由IEEE计算机学会数学基础计算机基础委员会赞助的第66届计算机科学基础研讨会（2025年）将于12月14日至17日在澳大利亚悉尼举行。介绍了有关计算理论的新的和原始研究的论文。典型但不是独家感兴趣的主题包括：算法编码理论，代数计算，算法图理论，算法游戏理论，算法和数据结构，布尔函数的分析，近似算法，平均库复杂性，逻辑，计算，计算，计算，计算，计算，计算，计算，计算，计算复杂性，沟通复杂性，电路复杂性，组合优化，计算游戏理论，计算几何学，计算学习理论，连续优化，加密，机器学习的基础，在线算法，优化，并行和分布式算法，参数化算法，随机算法，随机算法，Sublinear Algorithm，Sub
我们引入了形状标记，这是一种连续、紧凑且易于集成到机器学习模型中的 3D 表示。形状标记用作条件向量，表示 3D 流匹配模型中的形状信息。此流匹配模型经过训练，可以近似对应于集中在 3D 形状表面上的 delta 函数的概率密度函数。通过将形状标记整合到各种机器学习模型中，我们可以生成新形状、将图像转换为 3D、将 3D 形状与文本和图像对齐，并直接在变量处渲染形状……
Private Stochastic Convex Optimization with Heavy Tails: Near-Optimality from Simple Reductions
我们研究了具有重尾梯度的差分隐私随机凸优化 (DP-SCO) 问题，其中我们假设样本函数的 Lipschitz 常数上有 kthk^{\text{th}}kth 矩界限，而不是统一界限。我们提出了一种新的基于约简的方法，使我们能够在重尾设置中获得第一个最优利率（最多对数因子），在 (ε,δ)(\varepsilon, \delta)(ε,δ)-近似下实现误差 G2⋅1n+Gk⋅(dnε)1−1kG_2 \cdot \frac 1 {\sqrt n} + G_k \cdot (\frac{\sqrt d}{n\varepsilon})^{1 - \frac 1 k}G2⋅n1+Gk⋅(n
Faster Algorithms for User-Level Private Stochastic Convex Optimization
我们研究用户级差分隐私 (DP) 约束下的隐私随机凸优化 (SCO)。在这种情况下，有 nnn 个用户，每个用户拥有 mmm 个数据项，我们需要保护每个用户整个数据项集合的隐私。现有的用户级 DP SCO 算法在许多大规模机器学习场景中都不切实际，因为：（i）它们对损失函数的平滑度参数做出了限制性假设，并要求用户数量随着参数空间的维数呈多项式增长；或（ii）它们的速度非常慢……
Generalization on the Unseen, Logic Reasoning and Degree Curriculum
本文考虑了逻辑（布尔）函数的学习，重点关注了在未见（GOTU）设置上的泛化，这是分布外泛化的典型案例。这是因为某些推理任务（例如算术/逻辑）中数据的丰富组合性质使得代表性数据采样具有挑战性，并且在 GOTU 下成功学习为“推断”或“推理”学习者提供了第一个小插图。我们研究了由 (S)GD 训练的不同网络架构在 GOTU 下的表现，并提供了理论和实验证据……
Further Dollar Appreciation: Implications
当货币是安全的资产时，在泰勒规则反应函数的背景下，预算赤字扩大、通胀初现上升的预期还能带来什么呢？彭博社：“我们认为美元很有可能在明年甚至 2026 年大幅走强，”海伦·吉文 (Helen Given) 表示 […]
Reinforcement Learning, Part 8: Feature State Construction
通过将状态特征巧妙地纳入学习目标来增强线性方法强化学习是机器学习的一个领域，它引入了代理在复杂环境中学习最佳策略的概念。代理根据环境状态从其行为中学习，从而获得奖励。强化学习是一个具有挑战性的话题，与机器学习的其他领域有很大不同。强化学习的显著之处在于，可以使用相同的算法使代理适应完全不同、未知和复杂的条件。关于本文在第 7 部分中，我们介绍了可扩展标准表格方法的值函数近似算法。除此之外，我们特别关注了一个非常重要的情况，即近似值函数是线性的。我们发现，线性保证了收敛到全局最优值或 TD 不动点（在半梯度方法中）。问题是，有时我们可能希望使用更复杂的近似值函数，而不仅仅是简单的标量积，而不离开
