伯克利提出信息驱动成像系统设计框架，可跨四类成像任务预测性能
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，仅用带噪测量和噪声模型即可量化系统信息量，并在 NeurIPS 2025 论文中验证其能预测彩色摄影、射电天文、无镜头成像和显微镜四个领域的解码器性能。该方法优化出的设计可媲美端到端 SOTA 方法，同时占用更少内存和算力，且无需任务专用解码器设计。
#论文/研究
#论文/研究
今日 1 条1月10日
11月1日
不依赖 TD 学习的强化学习：用分治法扩展 off-policy RL
伯克利 AI 研究提出一种基于分治（divide and conquer）的 off-policy 强化学习算法，不依赖时序差分（TD）学习，可将 Bellman 递归次数从线性降为对数级，从而扩展到长时程任务。
9月1日
word2vec 究竟学到了什么？伯克利提出可定量预测的学习理论
伯克利 AI 研究团队提出首个可定量预测 word2vec 学习过程的理论，证明在现实训练条件下该问题可化简为无权重最小二乘矩阵分解，梯度流动力学有闭式解，最终学到的表示等价于对目标矩阵 M* 做 PCA。从小初始化训练时，word2vec 按离散步骤逐个学习正交线性子空间，每步提升嵌入矩阵的秩并降低损失，这些特征即 M* 的顶部特征向量，可由语料统计和超参数预先算出。