Toolifies

研究通过分析随机梯度噪声结构，揭示了SAM中m-锐度的原理，即微批次越小，隐式方差锐度正则化越强，并提出了可并行的重加权SAM方法。

针对多元霍克斯过程最大似然估计计算复杂度高的问题，提出一种基于并行前缀扫描的精确推理算法，利用GPU并行计算大幅提升效率，可处理千万级事件规模。

本文介绍一种新颖的两步法，利用单调效用函数建模多目标优化中的权衡，旨在从帕累托前沿高效获取符合用户偏好的紧凑解集，并在多个领域验证了其有效性。

针对自动驾驶事故预测模型在现实扰动下不稳定的问题，SECURE框架通过定义并强化模型在预测与特征空间的一致性，提升系统鲁棒性，实验显示其能有效对抗多种扰动。

一项研究通过对比CPU与GPU在训练深度学习模型时的性能，揭示了GPU带来的显著加速效果，并探讨了在能源与基础设施限制下，共享GPU资源对于促进AI研究民主化的重要性。

研究提出一种无需原始数据的模型融合新方法，通过协方差估计最小化任务间干扰，在视觉与语言任务中超越现有无数据融合技术。

本文探讨因果有向无环图模型的粗化问题，提出新的可识别性结果与高效学习算法，并应用于合成与真实数据集，为因果抽象研究提供新见解。

研究提出一种端到端的前瞻学习框架，利用大语言模型生成经过校准的概率预测，以应对供应链中断预警难题。该模型在准确性、校准度和精确度上表现优异。

UQ-SHRED是一种用于稀疏感知问题的分布学习框架，通过基于神经网络的分布回归方法engression提供不确定性量化。该框架在复杂合成及真实数据集上能提供校准良好的置信区间。

本文介绍一种在线机器学习加速的多分辨率优化框架，用于评估能源系统架构的可实现性能上限，并通过减少高保真模型评估需求，提升设计验证效率。

本文介绍了一种名为ReDiRect的框架，旨在通过无监督学习、模糊分区和分布式处理，克服现有反洗钱系统在规模、复杂性和误报率方面的局限，有效识别复杂的洗钱模式。

研究指出条件流匹配的标准训练损失在物理应用中会过早收敛，无法可靠指示真实收敛。JetPrism框架通过多指标评估协议，确保生成模型与真实数据的统计一致性。

本文研究风险感知线性赌博机优化问题，提出RISE与RISE++算法，应用于智能订单路由，旨在最小化均值-方差度量下的遗憾，并通过实验验证其优越性能。

本教程介绍贝叶斯优化框架，旨在通过概率驱动的方法自动化科学发现的假设-实验-优化循环，提升实验效率，加速在催化、材料科学等领域的发现进程。

本文提出Partial VOROS，一种新的成本感知性能指标，用于评估在精度和预测正例数量上存在约束的二元分类器，解决了传统ROC分析在特定应用场景中的局限性。

本文介绍DiffGradCAM，一种新型、轻量级的类激活映射方法，能抵抗被动欺骗攻击，并在非对抗情况下与标准方法输出一致，同时提出了SHAM作为评估基准。

本文研究从多源不完美偏好中学习强化学习的理论框架，提出统一算法并证明其遗憾界，揭示了多源反馈的统计增益与累积不完美度的根本限制。

WFR-FM是一种免模拟训练算法，将流匹配与动态非平衡最优传输统一，通过同时回归位移向量场和生长速率函数，在WFR几何下生成连续流，为从非平衡快照中学习动态系统提供了高效范式。

本研究探讨了两种具有有限样本错误发现率控制的学习型共形新颖性检测框架在对抗性扰动下的脆弱性，揭示了其统计保证在攻击下可能失效的根本局限。

本文介绍因果K均值聚类方法，用于识别未知亚组结构中的异质性因果效应。该方法利用经典聚类算法，并提出了易于实现的估计器，适用于多水平治疗的现代研究。