scalability | BriefGPT - AI 论文速递

关键词scalability

搜索结果 - 371

图适应性与可扩展性学习的核心知识学习框架
本文提出了一种针对图分类的算法，通过吸收来自不同类型任务的观点，旨在增强图分类中的适应性、可扩展性和泛化性，通过学习整个图的核心子图，重点关注与任务相关的最重要特征，从而改善模型性能、增加领域适应性并增强对领域变化的鲁棒性。实验结果表明，与
PDF2 days ago
预测编码网络基准测试 —— 简易版
在这项研究中，我们提出了一个名为 PCX 的库，旨在解决机器学习中预测编码网络的效率和可扩展性问题，并使用 PCX 实现了一系列用于实验的基准测试。我们通过广泛的基准测试和算法比较，展示了 PCX 的高效性，并指出了需要解决的潜在局限性，为
PDF3 days ago
修剪肥胖：通过修剪压缩 3D 高斯点云
本研究提出了一种名为 “修剪多余信息” 的后续渐进剪枝技术，旨在解决 3D 模型的内存和计算可扩展性问题，并通过实验证明，在保持或提高基准性能的同时，可以消除高达 75% 的高斯函数。我们的方法在压缩率达到 50 倍的同时，能够加快计算速度
PDF8 days ago
IBM 127 量子比特超导量子计算机上三比特 Grover 搜索算法的综合特性研究
使用超导量子架构的先进量子计算技术，对三比特 Grover 搜索算法进行了实现和特性研究，并通过实验评估了算法的可扩展性和性能指标，同时还进行了量子态重构实验，揭示 NISQ 计算机在大规模数据库搜索方面的潜力及 Grover 搜索算法在实
PDF11 days ago
Sketch-GNN：具有亚线性训练复杂性的可伸缩图神经网络
提出了一种基于草图的算法，其训练时间和内存随着图的大小而亚线性增长，通过在少量紧凑的图草图上训练 GNN，避免了与图大小线性相关的复杂性增长，并通过局部敏感哈希（LSH）技术提高草图的质量，实验证明了该算法在大规模图上的可扩展性和竞争性能与
PDF13 days ago
SAGDFN：用于多变量时间序列预测的可扩展自适应图扩散预测网络
为了提高多变量时间序列预测任务的性能，我们提出了一种可扩展的自适应图扩散预测网络（SAGDFN），用于捕捉大规模多变量时间序列数据中的复杂时空相关性。该方法在拥有数千个节点的数据集上表现出色，并且不需要先验的空间相关知识。通过大量实验证明，
PDF16 days ago
简单而高效：面向自监督的统一样本特征对齐的局部区域特征匹配
通过引入双重权重共享网络、对比损失和可学习的自我注意力与交叉注意力相结合，实现了细粒度基于草图的图像检索方法的优化和扩展，并通过专业时尚草图和图像数据集 Cloths-V1 的验证展示了该方法的卓越性能。
PDF17 days ago
MM自主系统的时间规划通过区间逻辑可满足性
自动规划中的时间规划、规划图表、并发关系和可扩展性的研究。
PDF20 days ago
模拟深度学习的前景：最新进展、挑战和机遇
本研究对八种不同的类比深度学习方法在多个关键参数上进行了全面的评估和说明，包括达到的准确性水平、应用领域、算法进步、计算速度以及能量效率和功耗的考虑。我们还通过对不同类比深度学习方法实现的神经网络实验的比较性能和当前限制的分析，发现类比深度
PDF21 days ago
CT3D++：基于关键点引导的通道注意力变换提升 3D 物体检测
通过引入两个旨在准确高效地检测和定位三维空间中物体的 3D 物体检测框架，本文目的是解决当前 3D 检测的灵活性和可伸缩性不足的问题，并在 KITTI 数据集和大规模 Waymo 数据集上取得最先进的性能。
PDF22 days ago
高效神经常见邻居用于时间图链接预测
我们提出了 TNCN，这是 NCN 的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN 在处理大型数
PDF22 days ago
GraphFM：图基模型的全面基准测试
基于自主学习的图神经网络模型的广义化和可扩展性进行了全面分析和研究，通过生成节点表示，在节点分类、链接预测和节点聚类等任务上实现了各种自主学习图神经网络模型的性能比较，并比较了全批次和小批次训练策略后各个模型的性能，同时评估了这些模型的训练
PDF22 days ago
异步多服务器联邦学习用于地理分布式客户端
提出了一种全新的异步架构的多服务器联邦学习系统，解决了同步通信导致的服务器空闲时间和单服务器成为瓶颈的问题，与之前的基线方法相比，收敛速度更快且在地理分布环境中所需时间减少了 61%。
PDFa month ago
KDD连续几何感知图扩散：超几何神经偏微分方程
通过将深度视为连续时间嵌入演化的方法，我们在本文中解耦了超椭圆图神经网络 (HGNN) 并将信息传播重新构造为偏微分方程 (Partial Differential Equation, PDE)，让节点注意力承担超椭圆神经 PDE (Hyp
PDFa month ago
QuanTA：量子信息张量调整下高级别语言模型的高效微调
该研究提出了一种名为量子指导张量适应（QuanTA）的新型、易于实现、没有推理开销的微调方法，引入了量子电路结构的量子启发方法，实现了有效的高秩微调，超越了低秩适应方法（LoRA）在复杂下游任务中可能失败的局限性。实验表明，与传统方法相比，
PDFa month ago
为视觉领域扩展白盒变压器
CRATE-$\alpha$ 是一种基于稀疏推理的白盒变换器架构，通过对 CRATE 结构进行小幅改进和轻量级训练，能够实现较大模型规模和数据集的可扩展性，同时保持模型的可解释性和提高模型性能，例如在 ImageNet 分类上的准确率达到
PDFa month ago
TokenUnify: 可扩展的自回归视觉预训练与混合 Token 预测
TokenUnify 是一种新型的预训练方法，通过整合随机标记预测、下一个标记预测和全部下一个标记预测的方法，减轻了视觉自回归中的累积误差，并在大规模电子显微镜图像数据集中表现出更好的可扩展性和分割性能。
PDFa month ago
Ada-HGNN：自适应采样的可扩展超图神经网络
本研究介绍了一种适用于超图的新型自适应采样策略，并提出了随机超边增强技术和多层感知机模块，通过实验证明了该方法在显著降低计算和内存需求的同时，仍具备与传统超图神经网络和基线模型相当的性能水平，为在广泛应用中提高超图神经网络的可扩展性和效能铺
PDFa month ago
规模化分布式空间架构上高效 AI 工作流执行
给定了日益复杂的人工智能应用，我们通过分析发现了一种相互连接的、多方面任务的模式，涵盖了人工智能和一般计算过程。对此，我们提出了 “Orchestrated AI Workflows” 的概念，将各种任务与逻辑驱动的决策整合成动态而复杂的工
PDFa month ago
可扩展离散动态图神经网络的输入快照融合
通过引入基于输入快照融合的动态图神经网络（SFDyG），本文在动态图领域解决了现有静态图模型无法适应的问题，并通过引入多图和 Hawkes 过程理论等方法提高了模型的可扩展性和预测性能。
PDF2 months ago