Q-Ball Intelligence正式成立，是一家AI原生预测智能初创企业，基于自2007年起近二十年的研究积累。公司正开发原生AI平台，能识别新兴信号、发现规律、生成结构化预测，并根据实际结果验证预测，超越对已发生事件的分析。该技术面向机构与商业客户，首先聚焦企业预测智能领域，帮助组织预判市场发展、条件变化、新风险与战略机遇，并计划拓展国际市场。

本文探讨了马尔可夫随机场（MRF）的重建算法及其在结构化预测中的应用，提出了多种优化方法和算法，如Sparsitron算法和基于最大伪似然估计的学习方法，以提高结构依赖的识别和分布估计的准确性。

本文介绍Fenchel-Young损失，一种基于正则化预测函数的凸损失构造方法，统一了众多著名损失函数，揭示其与稀疏性、广义熵和分离边界的联系，并推导出高效预测与训练算法。研究还涉及在线共形预测、结构化预测、在线凸优化及在线到批量转换。

本文介绍了一个用于无监督学习结构化预测的框架，通过特征丰富的条件随机场实现对可观察数据的条件预测。该框架使用最大似然估计的模型进行输入重建，无需独立性假设或限制特征类型。作者将该框架应用于词性归纳和文本词汇对应任务，并证明其比基线方法更高效。