Tensor-Train Layers for Physics-Informed Neural Networks
本文表明,将张量列(Tensor-Train)层集成到物理信息神经网络中,可以在保持原始精度 97% 的同时,显著地将参数量减少高达 8.8 倍,且压缩效率在很大程度上取决于底层偏微分方程(PDE)解的正则性。
2305 篇论文
本文表明,将张量列(Tensor-Train)层集成到物理信息神经网络中,可以在保持原始精度 97% 的同时,显著地将参数量减少高达 8.8 倍,且压缩效率在很大程度上取决于底层偏微分方程(PDE)解的正则性。
本文提出并评估了一种基于扰动的审计与缓解框架,该框架展示了实体噪声如何增加大语言模型生成的科学计量图谱中高置信度虚假关系的风险,并揭示了实体感知与证据感知的弃权策略在维护图谱完整性方面能有效优于简单的置信度过滤。
WSL-Det 是一种基于 Vajra 架构构建的实时目标检测器,它集成了用于频率感知全局交互的波形注意力机制以及用于各向异性定位的顺序正交条带卷积,在皮革和 NEU-DET 等工业条带缺陷数据集上实现了最先进的精度与速度。
本研究开发并验证了一个基于加纳某医院电子病历数据的可解释、上下文感知机器学习框架,该框架成功预测了慢性病患者的用药依从性,准确率高达89.5%,并确定了一组适用于在低资源卫生系统中部署的紧凑且资源高效的特征集。
该论文介绍了 Chest2Vec,这是一种多用途、基于指令条件的文本编码器,提供 0.6B 和 4B 参数规模的版本,能够有效地处理胸部 X 光片和 CT 报告,用于检索、分类和图文监督等任务,并证明了其在 CT 报告上的表现优于现有模型。
本文提出了一种实例感知部分负样本补全(Instance-Aware Partial Negative Completion, IPNC)方法,该方法是一个结构正则化框架,通过将多输出预测器与基于特征和分数的图结构相结合,学习有界的软负样本目标,以有效处理部分多标签学习中的模糊候选标签,并在多种数据集上实现了卓越的实证性能。
该论文提出了 FCA-Attention,一种将基于形式概念分析(FCA)衍生的格先验与 BERT 表示相结合的神经符号框架,旨在增强临床实体与关系联合提取的性能,在不依赖外部知识图谱的情况下实现了更高的性能和可解释性。
本文提出了异构自适应异步 ADMM(HA-ADMM)算法,该算法利用 加权 push-sum 混合和自适应惩罚更新,通过显式地表征并减轻梯度差异性、利普希茨跨度以及通信延迟的影响,在异构非凸多智能体优化中实现近平稳性。
本文表明,Bouncy Castle 的 ML-DSA-65 实现中看似存在的密钥依赖型时序侧信道,实际上是自然拒绝采样变化的统计伪影,当在以执行精确迭代次数为条件的预注册协议内进行时序分析时,该现象便会消失,从而证实了该实现在所有标准化参数集下的安全性。
本文通过文献综述和调查研究,探讨了 GPT-4、Gemini、Claude 和 Copilot 等知名 AI 聊天机器人的幻觉问题,强调了它们在学术语境下生成虚假信息和引用错误的倾向,并提出了人工审核和事实核查等缓解策略。