圖書信息
內容簡介
對 arXiv stat.ML 分類的年度綜述，涵蓋 2025 年 9 月 至 2026 年 8 月 期間發表的研究。本卷基於對 132 篇論文 的細讀整理，組織為 37 章，按該領域的研究子方向描繪這一年的全貌。
全書框架（年度產出佔比）：
- 統計學習理論與神經估計 (76.0%) — 發展神經網絡與機器學習模型的統計基礎與估計方法，包括漂移估計、不確定性量化與分佈分析。
- 優化與隨機近似 (7.3%) — 研究高維設定下風險最小化的隨機梯度方法、基於核的優化與自適應算法的收斂性與效率。
- 大語言模型對齊與推理 (4.7%) — 聚焦通過強化學習與老虎機框架對齊大語言模型輸出與人類偏好、提升推理能力並評估模型行為。
- 貝葉斯推斷與概率計算 (4.6%) — 為具有圖或層次結構的複雜概率模型發展高效貝葉斯推斷算法，包括 MCMC 與變分方法。
- 共形預測與不確定性量化 (3.5%) — 在分佈偏移與有限樣本設定下，為機器學習模型提供無分佈預測保證與校準的不確定性估計。
- 時間序列預測與時間依賴 (1.2%) — 處理多元時間序列預測、異常檢測，以及時間依賴與非平穩下的共形推斷挑戰。
- 物理信息學習與算子方法 (1.2%) — 將微分方程與結構約束融入神經模型，以求解反問題並學習解算子。
- 樣本複雜度與有限規模分析 (0.9%) — 分析小數據區域中學習算法的有限樣本行為、樣本複雜度界與實際縮放性質。
- 可解釋分類與檢測 (0.4%) — 發展用於分類、異常檢測與科學發現的可解釋方法，包括變點檢測與分佈外識別。
- 核方法與假設檢驗 (0.2%) — 研究基於核的統計檢驗、校準程序，以及評估模型性能的學習表示的理論性質。
- 部署模型中的偏見與行為 (0.1%) — 考察流行機器學習模型中的現實偏見、行為屬性與公平性問題，強調 Shapley 解釋與流行度對齊。
每個子方向均通過三章展開論述——它如何提出自己的問題、其關鍵結論的強度，以及它開放的爭論與前沿，從而讓讀者獲得該領域今年實際產出的可溯源圖景。
