Loss functions and constraints improve sea surface height prediction
为了了解海流、潮汐和其他海洋动力学，科学家需要准确捕获海面高度或海洋表面的快照，包括在任何给定时刻因风、海流和温度变化而产生的峰谷。为了更准确地预测海洋环流和其他过程、气候变化、海气相互作用和极端天气事件，研究人员需要能够准确预测未来的海面高度。
YOLOv1 Loss Function Walkthrough: Regression for All
解释 YOLOv1 如何衡量其对象检测和分类预测的正确性YOLOv1 损失函数演练：所有人的回归首先出现在《走向数据科学》上。
複素数について（その５）－複素解析（複素関数の微分・積分）－
■摘要 在本期《研究者之眼》系列中，我们将再次报道“虚数”以及由虚数和实数组成的“复数”，它们是什么、它们具有什么性质以及它们在社会中的用途。这次，我们将分三部分介绍复数分析，解释虚数和复数在数学世界中的应用。在第一节中，我们解释了复函数的定义，并解释了它们与真实函数的异同。第二次，我们将解释复杂函数的微分和积分及其性质。 ■目录 / 简介 / 复函数的微分 / 柯西-黎曼方程 / 复函数微分的性质 / 复函数的积分 / 复函数积分的性质 / 柯西积分定理 / 格林定理 / 不定积分 / 柯西积分公式 / 古萨特定理 / 莫雷拉定理 / 洛朗展开 / 留数定理 / 最后，在本期中在研究员之眼系
Multivariate Conformal Prediction using Optimal Transport
保形预测 (CP) 通过构建可信输出集来量化机器学习模型的不确定性。这些集合是通过利用所谓的一致性分数（使用输入兴趣点计算的数量）、预测模型和过去的观察结果来构建的。然后通过评估所有可能输出的一致性分数并根据分数的排名来选择它们来获得CP集。由于这个排名步骤，大多数 CP 方法依赖于单变量的评分函数。将这些分数扩展到多元空间的挑战在于……
1.“在依赖美国的时代，日本应该做出怎样的选择？” - 外部压力和战略考验国民准备度 矢岛浩二 2. 从4月3日起，中岛邦夫的养老金将不包括加班费。 增加生活方式相关疾病风险的饮酒现状及其改善措施 - 村松洋子着眼于男女饮酒习惯的差异 1. 权力夫妇的生活和资产 - 60％居住在东京都市区，35％拥有4000万日元或以上的金融资产 Naoko Kuga 2.什么是“Love Buu”？ - 基于SNS动向的“液体消费” 广濑亮 3. 2025年至2027年的经济展望 斋藤太郎 日本银行加息是确定的，但日元升值的未来没有进展 - 市场Karte 1月号 Tsuyoshi Ueno Infocal
The Machine Learning “Advent Calendar” Day 21: Gradient Boosted Decision Tree Regressor in Excel
带有决策树的函数空间中的梯度下降机器学习“降临日历”第 21 天：Excel 中的梯度提升决策树回归器首先出现在走向数据科学上。
The Communication Complexity of Distributed Estimation
我们研究标准两方通信模型的扩展，其中 Alice 和 Bob 分别在 XXX 和 YYY 域上持有概率分布 ppp 和 qqq。他们的目标是估计 Ex∼p,y∼q[f(x,y)]\mathbb{E}_{x \sim p, y \sim q}[f(x, y)]Ex∼p,y∼q[f(x,y)] 到双方已知的有界函数 fff 的加性误差 ε\varepsilonε 内。我们将此称为分布式估计问题。这个问题的特殊情况出现在各个领域，包括草图、数据库和学习。我们的目标是了解所需的沟通如何与......
The Machine Learning “Advent Calendar” Day 17: Neural Network Regressor in Excel
神经网络通常感觉就像黑匣子。在本文中，我们仅使用 Excel 公式从头开始构建神经网络回归器。通过明确从前向传播到反向传播的每一步，我们展示了神经网络如何学习仅用少量参数来逼近非线性函数。机器学习“降临日历”第 17 天：Excel 中的神经网络回归器一文首先出现在《走向数据科学》上。
The Machine Learning “Advent Calendar” Day 15: SVM in Excel
本文不是从边距和几何形状开始，而是从熟悉的模型逐步构建支持向量机。通过改变损失函数并重新使用正则化，SVM 自然地表现为经过优化训练的线性分类器。这种观点将逻辑回归、SVM 和其他线性模型统一到一个单一的、连贯的框架中。机器学习“降临日历”第 15 天：Excel 中的 SVM 帖子首先出现在走向数据科学上。
▼研究者之眼 ☆关于复数（第5部分） - 复数分析（复数函数的微分与积分） - ☆Google生成的AI和在线内容 - 无偿使用可以接受吗？ ☆通过业主传播的居酒屋交流 - 偶然引起同情的小交集 - ☆欧盟委员会对 X 处以罚款 - 违反数字服务法 ☆中小企业可持续性信息披露的现状和挑战 ~ 中小企业致力于信息披露的好处 ~ ☆ 日本股市投资者交易趋势：2025 年 11 月分析 ☆ 投资部门的买卖趋势（2025 年 11 月） ~ 商业企业连续 54 个月成为净买家 ~ ☆ 规模化、平衡型迅速增加 ~ 2025 年 11 月投资信托动向 ~ －－－－－－－－－－－－－－－－－－－－－－－－－
The Machine Learning “Advent Calendar” Day 12: Logistic Regression in Excel
在本文中，我们直接在 Excel 中一步步重建逻辑回归。从二进制数据集开始，我们探讨线性回归作为分类器为何举步维艰，逻辑函数如何解决这些问题，以及对数损失如何自然地从似然中出现。借助透明的梯度下降表，您可以在每次迭代中观察模型的学习情况，从而使整个过程直观、直观且令人惊讶地令人满意。机器学习“降临日历”第 12 天：Excel 中的逻辑回归首先出现在走向数据科学。
AI, MCP, and the Hidden Costs of Data Hoarding
模型上下文协议 (MCP) 确实很有用。它为开发人工智能工具的人们提供了一种标准化的方式来调用函数并从外部系统访问数据。您无需为每个数据源构建自定义集成，而是可以通过任何 AI 都能理解的通用协议公开数据库、API 和内部工具。然而，我[...]
MoE-PHDS: One MoE Checkpoint for Flexible Runtime Sparsity
稀疏专家混合 (MoE) 通常经过训练以在固定的稀疏级别上运行，例如top-k 门函数中的 k。该全局稀疏度水平决定了精度/延迟曲线上的操作点；目前，满足多个效率目标意味着训练和维护多个模型。这种做法使服务变得复杂，增加了培训和维护成本，并限制了满足不同延迟、效率和能源要求的灵活性。我们证明，预训练的 MoE 对运行时稀疏性变化的鲁棒性比通常假设的要强，并引入了 MoE-PHDS ({\bf...
GRACE: A Language Model Framework for Explainable Inverse Reinforcement Learning
逆强化学习旨在从专家演示中恢复奖励模型，但传统方法会产生难以解释和调试的“黑盒”模型。在这项工作中，我们介绍了 GRACE（生成奖励作为 CodE），这是一种在进化搜索中使用大型语言模型来直接从专家轨迹逆向工程可解释的、基于代码的奖励函数的方法。由此产生的奖励函数是可以检查和验证的可执行代码。我们在 BabyAI 和 AndroidWorld 基准上凭经验验证 GRACE，它可以有效地学习……
The Machine Learning “Advent Calendar” Day 11: Linear Regression in Excel
线性回归看似简单，但却介绍了现代机器学习的核心思想：损失函数、优化、梯度、缩放和解释。在本文中，我们在 Excel 中重建线性回归，将闭式解与梯度下降进行比较，看看系数如何一步步演化。这个基础自然会导致正则化、核、分类和对偶视图。线性回归不仅仅是一条直线，而是我们接下来将在降临节中探索的许多模型的起点。日历。机器学习“降临日历”第 11 天：Excel 中的线性回归一文首先出现在走向数据科学上。
