关键词scalability challenges
搜索结果 - 6
- 量子计算机上的图神经网络
本研究提出了在量子计算机上实现图神经网络(GNNs)的框架,以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战,通过制定与三种经典 GNNs 对应的量子算法:图卷积网络(Graph Convolutional Networks)、图注 - 基于加权模型集成的人工智能系统概率验证的统一框架
用加权模型整合(WMI)为基础,提出了一个统一的 AI 系统的概率形式验证(PFV)框架,它可以处理各种机器学习模型的不同性质验证,如公平性、鲁棒性或单调性,避免了强分布假设,并讨论了与该框架相关的可扩展性挑战和研究方向。
- 将 LLM 的分解能力提取为简洁的语言模型
通过离线强化学习将大型语言模型(LLM)的分解能力融入紧凑模型,我们利用 LLM 能力的进步提供反馈并生成专门的任务特定数据集来训练紧凑模型,该研究的主要贡献是开发了一个 AI 生成的数据集和建立了基线,强调了紧凑模型在复制复杂问题解决能力 - 图生成的离散扩散模型的稀疏训练
SparseDiff 是一种能够在图生成过程中利用稀疏性的去噪扩散模型,它能有效处理边列表表示的图,在保证生成性能的同时提高可伸缩性。
- 无图神经网络:通过蒸馏教老 MLPs 新技巧
使用知识蒸馏技术将图神经网络(GNNs)和多层感知器(MLPs)相结合,提出了无图依赖的神经网络 GLNNs,并在 7 个数据集的生产环境中证明其比 GNNs 更快且准确率接近,适用于延迟受限的应用程序。
- fMRI 分析的精细功能模式图册
我们提出了精细分辨率的功能模式图册 (DiFuMo),由 64 到 1024 个网络组成,很好地提取了降维信号,以及对大量数据处理技术进行了比较和解释。