- 特征表示对光子神经网络准确性的影响
通过研究多种编码策略的效果,开发了数学框架以分析特征组合对光子神经网络的性能和学习能力的影响,并通过选择最优编码方法,在 Iris 数据集上取得了相比其他编码技术更高的精度提升,突破了不进行特征组合的网络性能。这些发现凸显了在规模或功率受限 - MMAI 偏见探索的标准化方向
创建公平的 AI 系统是一个复杂的问题,涉及评估上下文相关的偏见问题。本文提出了一个数学框架,将偏见的文献度量指标化为构建模块,从而促进涵盖广泛公平问题的新组合,我们还提供了一个名为 FairBench 的 Python 库,用于有系统且可 - LoRA 对 Transformers 中聚类群的影响
本文利用由 Sander 等人(2022)和 Geshkovski 等人(2023)开发的 Transformer 数学框架,研究了注意力参数和初始令牌值的变化对令牌群集的结构动态的影响。我们的分析表明,虽然修改后的注意力矩阵动力学中的群集 - 大脑学习机制的学习原则和数学实现
深度学习的成功没有明确的解释,因此我们构建了一个数学框架来解释什么是学习。我们提出了学习原理,它能够统一理解所有类型的学习,包括神经网络和大脑中的学习。我们成功地将这一原理应用于实际的机器学习模型,并提出了一种新的估计概率值的方法,使得无监 - 图信号的最优恢复
从优化恢复的角度考虑了图信号处理中部分观测数据的平滑处理问题,并提出了一种计算最优或接近最优正则化参数的方法,在半合成图信号处理数据集的数值实验中取得了良好效果。
- MMRISMA:可重构智能表面,为物联网大规模访问提供波束成形
本研究提供了一种数学框架,以联合优化基站的前编码策略和可重构智能表面的参数,从而最小化系统平均平方误差,同时介绍了两种算法 RISMA 和 Lo-RISMA,能够有效提高系统性能表现。
- 公平度指标:比较分析
该研究利用一个数学框架描述了公平性评估中一些常用的指标,探讨了它们之间的关系,为算法开发者和用户提供指导。
- 关于算法的 Koopman 算子
本文提出了一种数值算法的数学框架,并利用 Koopman 操作符框架在高维空间中对优化算法进行了数据驱动的研究,通过适应性数据的基础函数帮助构建了有效的降维算子,以实现算法的加速和分析。
- ICML深度网络中线性区域的复杂度
本研究通过提供一种数学框架来计算分段线性网络的线性区域数量和边界体积,证明神经网络在初始化时的线性区域数量沿任何一维子空间的平均值是总神经元数的线性增长,远低于指数上界,我们得出结论:神经网络的实际表达能力可能远低于理论最大值,并可以量化。
- 全息相位恢复和参考设计
为全息相位恢复问题提出了一个通用的数学框架和恢复算法,基于优化视角,分析了参考信号对各种恢复方案的性能影响,并推导了在数据受泊松旅拍噪声污染下的恢复误差期望公式。
- 基于快速高斯过程的非线性 ODE 系统参数识别中的梯度匹配
本研究提供了一种基于高斯过程回归的 Bayesian 方法的解释,用于参数估计和比较动态系统,提高了非线性动态系统的参数估计和性能准确度,弥补了该方法的严谨数学框架不足之处。
- 理解深度卷积网络
这篇文章综述了深度卷积神经网络的架构,介绍了一种数学框架来分析它们的属性,以及讨论了它们的应用。
- 利用基于代理的方法的进化博弈论
这篇论文研究了进化博弈论的数学模型,探讨了在非简单情景下(如有限人口、不消失的突变率、随机决策、沟通等)运用基于个体的方法进行仿真的必要性,并总结了数学模型和计算仿真方法的优缺点。
- 缺失和错误的相互作用及复杂网络的重建
通过一般的数学和计算框架可靠地发现复杂网络中缺失和虚假的相互作用,能够更精确地估计网络性质