Aug, 2023

具有影响助力的规范形式的快速精确 NPN 分类

PDF
TL;DRNPN 分类使用基于规范形式的方法来提高计算速度，该方法通过引入布尔影响来计算规范形式，以减少转换枚举，实验结果表明，准确的 NPN 分类中我们使用的影响增强的规范形式能够获得 5.5 倍的加速。
npn classificationcanonical formtransformation functionboolean influencespeedup
发现论文，激发创造
  • 学习标准化函数的等变性

    本文提出了基于对称性神经网络的一种替代方案，通过学习生成数据的规范表示来避免架构约束。并为多个感兴趣的组提供了实现它们的明确方法，证明了学习神经网络来执行规范化比使用预定义启发式方法更好，并且该方法在实践中实现了出色的性能表现。

    Nov, 2022

  • 正则和非正则哈密顿算符推理

    本文提出了一种非侵入性和结构保持的模型简化方法，基于算子推断的思想，利用系统哈密顿量的灰盒知识和快照数据进行直接线性求解，适用于经典和非经典哈密顿系统的简化，并在多个基于双曲型偏微分方程的实例中验证了该方法提供的准确、稳定的模型简化结果能在训练数据范围外保持良好的守恒量。

    Apr, 2023

  • 用辛流进行神经正则变换

    使用辛神经网络构建灵活、强大的 Langevin 方程式的变换重现器， 并使用两种方法进行训练

    Sep, 2019

  • 布尔函数综合的知识编译

    研究 Boolean functional synthesis 问题中 CNF 转化为 SynNNF 的算法，并证明 SynNNF 具有多项式时间综合的优势。

    Aug, 2019

  • 推理推断

    通过结合神经计算的规范和算法理论，我们提出了一种从大规模神经活动模式中推断规范分布计算的数学框架，以发现神经录制中的可解释结构。

    Oct, 2023

  • 构建精确的伪布尔模型计数器

    我们提出了第一个准确的伪布尔模型计数器 PBCount，它通过代数决策图的知识编译方法来实现。我们的实证评估表明，PBCount 可以计算 1513 个实例的计数，而当前最先进的方法只能处理 1013 个实例。我们的工作为进一步研究伪布尔公式的模型计数提供了几个方向，如预处理技术的开发和除知识编译之外的其他方法的探索。

    Dec, 2023

  • 定性概率网络中的正依赖关系

    本文研究了定性概率网络中的对称性质问题及其对非二元 QPN 的推断的影响并给出了可能的解决方案。

    Aug, 2022

  • 混合神经场的规范因子

    通过学习一组规范化变换来消除神经场建模中所引入的偏差，我们提出了 TILTED 架构，该架构可以改善表示的效率，并在图像、有符号距离和亮度场重建任务中表现出质量、鲁棒性、紧凑性和运行时间方面的提升。

    Aug, 2023

  • 提升模型通用等变性的规范化

    通过引入新方法实现了深度学习中与架构无关的等变性，比传统的等变架构方法和现有的与架构无关的方法更高效。该方法利用对比学习以及非等变网络来实现典范化，提供了更多对典范化网络选择的灵活性，并且在预训练模型的等变性以及典范化过程的加速方面实现了显著优势，速度提高了 2 倍。

    May, 2024

  • 算法信息论的电路复杂度表述

    研究基于电路复杂度的先验模型，并使用它们来学习部分信息中的布尔函数。该模型假设，布尔函数或布尔字符串由一些电路的贝叶斯混合生成。在电路复杂度方面表现良好。

    Jun, 2023