arXiv ID:
2603.08245
拓扑稳定的霍夫变换 / Topologically Stable Hough Transform
1️⃣ 一句话总结
这篇论文提出了一种改进的霍夫变换方法,通过引入连续评分函数和拓扑稳定性分析,能够更有效地从点云数据中检测出直线。
拓扑稳定的霍夫变换 / Topologically Stable Hough Transform
这篇论文提出了一种改进的霍夫变换方法,通过引入连续评分函数和拓扑稳定性分析,能够更有效地从点云数据中检测出直线。
通过去校准实现高效的置信预测 / Efficient Credal Prediction through Decalibration
这篇论文提出了一种名为“去校准”的高效方法,能够为机器学习模型(如大型基础模型)快速生成表示认知不确定性的概率区间,从而在保持性能的同时大幅降低计算成本。
平稳随机动态系统中因果效应的符号可识别性 / Sign Identifiability of Causal Effects in Stationary Stochastic Dynamical Systems
这篇论文提出了一种新方法,在已知变量间因果结构但不知道具体影响强度的情况下,判断一个变量对另一个变量的影响方向(是促进还是抑制)是否能够从观测数据中唯一确定,并给出了相应的判定准则。
重新思考注意力输出投影:用于高效Transformer的结构化哈达玛变换 / Rethinking Attention Output Projection: Structured Hadamard Transforms for Efficient Transformers
这篇论文提出用一种固定的、无需参数的哈达玛变换加上一个轻量级可学习的缩放操作,来替代Transformer中计算量大、参数多的注意力输出投影层,能在保持模型性能的同时显著减少参数、内存消耗并提升推理速度。
利用学习到的支撑函数分摊最大内积搜索的计算成本 / Amortizing Maximum Inner Product Search with Learned Support Functions
这篇论文提出了一种基于学习的方法,通过训练神经网络来直接预测最大内积搜索的结果,从而将针对特定查询分布的搜索计算成本一次性分摊到训练阶段,大幅提升了推理效率。
二次极性与来自典型勒让德极性的极Fenchel-Young散度 / Quadratic polarity and polar Fenchel-Young divergences from the canonical Legendre polarity
这篇论文通过将几何中的‘极性’概念与函数分析中的勒让德-芬切尔变换联系起来,提出了一种新的数学框架,不仅统一了多种二次极性形式,还基于此定义了一类更广泛的散度(称为极Fenchel-Young散度),从而深化了信息几何中对偶结构的理解,并揭示了总Bregman散度的新几何意义。
多任务学习的渐近行为:隐式正则化与双下降效应 / Asymptotic Behavior of Multi--Task Learning: Implicit Regularization and Double Descent Effects
这篇论文通过理论分析和实验证明,多任务学习之所以能提升模型泛化能力,是因为它在数学上等效于给模型添加了额外的正则化项,从而能够延缓甚至消除训练过程中常见的‘双下降’过拟合现象。
Logi-PAR:基于可微分规则的逻辑增强型患者活动识别 / Logi-PAR: Logic-Infused Patient Activity Recognition via Differentiable Rule
这篇论文提出了首个融合可学习逻辑规则的病人活动识别框架,不仅能高精度识别活动,还能通过可解释的规则链说明‘为什么’存在风险,并支持模拟干预以提升临床安全。
∇-Reasoner:通过潜在空间中的测试时梯度下降实现大语言模型推理 / $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space
这篇论文提出了一种名为∇-Reasoner的新方法,它通过在大语言模型生成文本时实时引入梯度优化来调整策略,从而在显著提升复杂数学推理准确率的同时,减少了模型调用次数,为增强AI推理能力提供了一种更高效的新思路。
基于Kraus约束的序列学习用于连续测量中的量子轨迹重构 / Kraus Constrained Sequence Learning For Quantum Trajectories from Continuous Measurement
这篇论文提出了一种新的神经网络输出层结构,能自动确保量子状态预测符合物理规律,从而在系统参数未知或漂移时,比传统方法更稳定、更准确地从连续测量数据中重构量子态。
请先 登录 后再提交论文