深度学习在理论和实践之间存在理论实践差距，最近的研究关注了过拟合现象及其影响因素，提出了插值信息准则来研究过参数化模型的性能和泛化能力。

Nov, 2023

针对黑盒函数优化问题，本文提出了一种新算法，通过价值信息分析决策，处理了由模型差异和噪音观测所带来的不确定性，并在实验中验证了其相对其他先进技术具有更高的目标价值和更少的探索成本。

Mar, 2016

本研究着重于解决不完美信息下的数据驱动逆向优化问题，将其形式化为分布鲁棒规划，最小化预测决策与真实响应之间的最坏情况风险，并证明了该方法比现有方法更为有效。

Dec, 2015

本研究考虑了拟合估计器模型选择问题，其中模型参数的数量超过数据集的大小。研究者们通过建立双重欠定参数模型来解决了模型选择问题，提出了一种新的统计量，称为插值信息准则（Interpolating Information Criterion）。这个统计量不仅可以衡量模型拟合的质量，而且还可以自然地纳入先验选择问题。

Jul, 2023

在评估过程中，存在与个体的社会显著属性相关的偏见，我们将评估过程视为将个体对任务的真实效用分布转化为观测分布的转换，并将其建模为在信息约束下的损失最小化问题的解决方案。我们的模型有两个参数，被确定为导致偏见的因素：信息约束中的资源 - 信息权衡参数和损失函数中的风险规避参数。我们表征了从我们的模型中出现的分布，并研究了参数对观测分布的影响。我们通过拟合真实世界数据集来验证我们的模型，并使用它来研究在下游选择任务中干预的效果。这些结果有助于理解评估过程中偏见的出现，并提供指导部署干预措施以减轻偏见的工具。

Oct, 2023

本文为实现树形和图形模型的结构化选择，精心平衡误差和遗漏，开发了矫正版的 Mallows's Cp 准则。

Jun, 2023

本文提出了一种数据驱动的逆优化模型，用于从具有噪声观测数据的决策中推断多目标决策问题的参数，并能够确定决策制定者对多个准则的偏好分布。该模型使用更复杂的逆优化公式，包括数学分析和算法，可估计关键参数、解耦和降噪的最优决策，并保证统计显著性。数值实验证实了该模型的有效性和算法的计算效率。

Aug, 2018

介绍了一种广义信息准则，可以包含其他信息准则（如贝叶斯信息准则（BIC）和赤池信息准则（AIC））作为特殊情况，还引入了一种更为通用的谱信息准则（SIC），采用几何特征提取误差曲线的肘部，为模型选择提供子集合，并提出选择唯一模型的实用规则。测试表明该方案具有优势，并附带提供了相关的 Matlab 代码。

Aug, 2023

本文从贝叶斯角度回顾了 Akaike、偏差和 Watanabe-Akaike 信息准则，比较这些方法在三个简单的例子中的应用，以及在预测背景下估计预期的样本外预测误差。

Jul, 2013

本研究介绍了一种网络信息准则（NICc）的聚类估计器，用于近似一类群交叉验证离群排除差异。实验结果表明，与 AIC 和 BIC 相比，NICc 更准确地选择模型，并在模型选择中更有效地防止过拟合。

May, 2024