本期节目邀请职业投资人Aaron分享他的看法，帮助学生和有学习习惯的读者学习投资思维并指导生活决策。

本文研究了基于Thompson Sampling的有界奖励随机赌博算法，并提出了两种参数化的算法。通过导出更实用的界限，解决了现有问题。这两种算法都能实现较低的后悔界限。

dPASP是一种新的神经符号推理框架，支持离散概率模型和常识推理。它使用神经谓词和概率选择进行基于梯度的学习。该软件包提供了推理和学习功能，并对用户知识要求较低。

该研究介绍了名为G3Reg的新框架，用于全局注册激光雷达点云。该框架提取几何原语，如平面、聚类和线段，获取低级语义分段，并使用高斯椭球模型建模。研究者还提出了基于金字塔兼容性图的不信任和验证方案，用于识别最佳候选。该框架在多个数据集上验证，表现出稳健性和实时性能。研究者还展示了将该框架集成到其他算法中的潜力，并公开共享了源代码。

图变换器（GTs）通过自注意力计算节点对，但忽略节点位置信息。为了解决这一限制，引入了一种创新且高效的框架，将位置编码（PEs）引入Transformer，生成一组可学习的位置编码，存在于非欧几里德域中的双曲空间。通过这种方法，可以探索用于特定下游任务的PEs的多种选择选项，利用双曲神经网络或双曲图卷积网络。此外，重新使用这些位置编码来减轻深层图神经网络（GNNs）中的过度平滑的影响。实验证实了双曲位置编码在提高深层GNN性能方面的有效性。

本文研究了采用权重衰减正则化的两层 ReLU 网络与其凸松弛之间的最优性差距，揭示了在随机训练数据情况下原问题与其松弛之间相对最优性差距可以通过 O (√log n) 的因子进行界定。此外，在合理假设下，随机初始化参数的局部梯度方法几乎必定收敛于训练损失较低点，此结果相对现有结果而言具有指数级改进，并对解释局部梯度方法为何行之有效提供了新的见解。

本文提出了一种新的对比学习框架，用于解决联邦学习中的数据异构性挑战。该框架通过分析客户端之间梯度更新的不一致性，并建立其与特征表示分布的依赖性，提出了监督式对比学习（SCL）目标来减轻局部偏差。为了防止表示坍缩并增强特征可传递性，引入了放松的对比学习损失，对过度相似的样本对施加差异惩罚。实验结果表明，该框架在标准基准上比现有的联邦学习方法更具优势。

该论文介绍了一种简单的聚类算法，基于k-means算法，不需要生成模型，只需要假定“接近条件”规律。该算法能够产生大多数现有生成模型的结果，并提出了一种新技术来提高间距与标准差之比。

2016年9月20日，我生平第一本书出版了，名字叫做《技巧——如何用一年时间获得十年的经验》。购买链接我就不列 […] 不鸡血，不躺平，永远向前，保持松弛感最先出现在Tinyfool的个人网站。

索尼A7C+FE 85mm f/1.8组合具有良好的性能，可以满足摄影爱好者的基本需求，提供足够优秀的摄影体验，而且携带方便，不会产生太多心理负担。推荐的镜头有腾龙20-40mm F/2.8 Di III VXD和索尼最新推出的小三元，定焦镜头也有不少可选，只需要根据自己的需求和使用环境，忘掉复杂的参数，重新回归到通过摄影寻找生活的乐趣上。

作者三年来追求自由职业，从摄影师向艺术家转变，拍摄商业照片，出版双子书，研究“土地情结”与“亲生命性”。在职期间观察教育公平，疫情期间感受无力，发起教育实验项目，把收入的70%捐赠给一线医护人员，最终捐赠至防性侵教育和教育公益项目。