Robust Training of Neural Networks at Arbitrary Precision and Sparsity

该论文提出了一种将量化和稀疏化统一建模为加性噪声的框架,通过引入基于岭回归的去噪反量化变换来构建明确的梯度路径,从而解决了传统直通估计器在超低精度和稀疏训练中的不稳定性问题,实现了任意精度与稀疏度下的鲁棒训练并取得了最先进的性能。

Chengxi Ye, Grace Chu, Yanfeng Liu, Yichi Zhang, Lukasz Lew, Li Zhang, Mark Sandler, Andrew HowardWed, 11 Ma🤖 cs.AI

Stochastic and incremental subgradient methods for convex optimization on Hadamard spaces

该论文针对非正曲率度量空间(Hadamard 空间)中缺乏线性结构导致次梯度构造困难的问题,提出了一种基于 Busemann 函数的新型次梯度定义,并据此构建了具有复杂度保证的随机及增量次梯度优化算法,成功应用于 BHV 树空间等场景下的 pp-均值问题求解。

Ariel Goodwin, Adrian S. Lewis, Genaro López-Acedo, Adriana NicolaeWed, 11 Ma🔢 math

Strong convergence of finite element approximations for a fourth-order stochastic pseudo-parabolic equation with additive noise

本文研究了由加性维纳噪声驱动的有界凸多边形区域上四阶随机伪抛物方程的半离散和全离散有限元逼近,利用有限元法进行空间离散、半隐式法进行时间离散,获得了关于时空网格步数的强收敛率,并通过数值实验验证了理论结果。

Suprio Bhar, Mrinmay Biswas, Mangala PrasadWed, 11 Ma🔢 math-ph

Robust Parameter and State Estimation in Multiscale Neuronal Systems Using Physics-Informed Neural Networks

本文提出了一种基于物理信息神经网络(PINN)的框架,能够仅利用部分电压观测数据,在强非线性和多尺度动力学条件下,鲁棒且准确地重建神经元模型中的隐藏状态变量并推断生物物理参数,有效克服了传统数值方法在初始猜测敏感和收敛失败方面的局限。

Changliang Wei, Yangyang Wang, Xueyu ZhuWed, 11 Ma🤖 cs.LG

A finite element continuous data assimilation framework for a Navier--Stokes--Cahn--Hilliard system

本文针对耦合了输运辅助场的二维 Navier-Stokes-Cahn-Hilliard 相场模型,构建了一个基于连续数据同化(CDA)的框架,通过引入满足特定逼近性质的线性观测算子,利用基于连续有限元分裂格式的数值方法证明了该系统的适定性,并验证了其在粗网格观测下从强失配初值中恢复轨迹及实现同步的有效性。

Tianyu SunWed, 11 Ma🔢 math

Quantum algorithm for anisotropic diffusion and convection equations with vector norm scaling

该论文提出了一种用于求解各向异性扩散和对流偏微分方程的量子数值方案,并通过引入向量范数分析证明,相较于传统的算子范数分析,该方法能将扩散和对流方程演化所需的时间步数分别指数级减少 Θ(16n)\Theta(16^n)Θ(4n)\Theta(4^n) 倍。

Julien Zylberman, Thibault Fredon, Nuno F. Loureiro, Fabrice DebbaschWed, 11 Ma⚛️ quant-ph