昨天看到 @Ji_Ha_Kim 同学分享了一篇有趣的论文《Beyond Cosine Similarity》，里边提出基于排序不等式来构建新的更宽松的相似度指标，看了后感觉颇有意思，特来简单记录...

本研究探讨大型语言模型（LLM）在计算最优状态下的泛化能力，提出新的不等式，发现模型规模越大，泛化间隙越小，为理解其泛化能力提供新见解。

本研究探讨了Polyak-Lojasiewicz不等式的广义及其对优化问题中梯度流行为的影响，指出了文献中较弱PLI版本的不足。研究表明，成本函数的不等式类型显著影响梯度流解的特征，为CT-LQR政策优化提供了新的理论框架。

本研究提出了“希望者”系统，结合混合整数规划和启发式方法，自动生成猜想、重新发现定理并提出新不等式，展示了发现基础结果的潜力。

本文探讨了变分不等式（VIs）学习中的快速泛化速率，提出了一种在强单调性条件下实现快速泛化的新方法。研究表明，满足特定条件的VIs可以通过更少的随机一阶oracle调用次数获得$ ext{ε}$-最优解，具有重要的理论与实践意义。

本文探讨了期望最大化（EM）算法在高维潜变量模型中的应用，提出了一种结合稀疏结构的新型高维EM算法。研究了高斯混合模型的梯度EM算法，证明其全局收敛性，并分析了学习过参数化GMM的挑战。此外，提出了基于边界优化的参数学习方法，强调数据预处理对算法性能的影响。

本文探讨了生成对抗网络（GAN）的多种方法，包括基于变分分析的统一方法、KL-Wasserstein GAN和Fisher GAN，分析了生成器和鉴别器的性能及其对学习概率分布的影响，提出了新的损失函数和收敛条件，以解决GAN的模式崩溃问题。

本文研究了随机泛型不等式、凸优化及机器学习中的算法，提出了改进的TD算法、增广Lagrangian方法和约束梯度法等有效解决方案，并进行了收敛性分析，推动了相关领域的发展。

本文提出了一种高效的非线性建模方法，结合线性VAR过程与非线性映射，提升时间序列预测能力。同时介绍了无监督编码器和离散表征学习框架，优化高维时间序列数据的处理，展现了在可解释性和聚类性能上的优势。

给定n根棍子，可以形成的最大等边多边形的数量是通过计算每种长度的棍子数量并除以3来得到的。给定整数k，构建一个长度为n的数组，使得所有元素的和为k。目标是最大化数组中具有二进制值为1的元素的数量。在国际象棋游戏中，玩家和计算机轮流放置车。计算机的移动是玩家移动的对称位置。目标是找到满足没有车能够互相捕获的条件的可能移动的数量。给定一个数组，目标是找到满足不等式条件的元组(x, y, z)。不同元组的数量由满足a_y的最高有效位为1且包含y的区间数为偶数的出现次数来确定。

从候选池中选择 $k$ 个实验以最大化所选子集与潜在参数之间的互信息，并通过基于 Log-Sobolev 不等式构建的计算廉价的互信息下界提出了贪婪方法，这对于非线性 / 非高斯环境中的互信息评估而言具有计算复杂性的问题具有优于随机选择策略、高斯近似和嵌套 Monte Carlo（NMC）估计的性能，包括在具有非加性噪声的非线性模型的最优设计。

大规模图机器学习的图样本技术中，基于图坐标的信号采样算法和光谱聚类方法在图信号采样领域中表现良好。

本文研究了马尔可夫链的Hoeffding不等式，使用积分概率度量(IPM)定义的广义可集中条件建立了一个框架，扩展了现有假设，使得Hoeffding不等式能够应用于传统意义上的非递凡马尔可夫链之外的情况。作者应用该框架到机器学习领域的几个非渐近分析，证明了其实用性。