PulseAugur
中
实时 13:53:08

新算法在局部可采样图模型下学习常数深度电路

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的算法，用于在可以局部采样的图模型下学习常数深度电路。这项工作扩展了 Chandrasekaran、Gaitonde、Moitra 和 Vasilyan（arXiv 2026）之前的发现，那些发现仅限于具有强大空间混合和多项式增长的模型。新方法利用了 Gibbs 分布的一种新颖的低度近似，通过模拟和截断 Glauber 动力学来实现。这种方法使得在各种有界度图上学习硬核模型和伊辛模型等系统成为可能，即使在接近其采样阈值时也是如此。 AI

影响 推进了对图模型学习算法的理论理解，可能影响相关领域的未来人工智能研究。

排序理由 该集群描述了一篇发表在 arXiv 上的新研究论文，其中详细介绍了一种用于学习常数深度电路的新颖算法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新算法在局部可采样图模型下学习常数深度电路

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Weiming Feng, Xiongxin Yang, Yixiao Yu, Yiyao Zhang ·

    Learning $\mathsf{AC}^0$ under Locally Sampleable Graphical Models

    arXiv:2607.08303v1 Announce Type: new Abstract: The problem of learning constant-depth circuits holds profound implications for computational learning theory. In a seminal result, by introducing the low-degree algorithm, Linial, Mansour, and Nisan (J. ACM 1993) presented a quasip…

  2. arXiv cs.LG TIER_1 English(EN) · Yiyao Zhang ·

    Learning $\mathsf{AC}^0$ under Locally Sampleable Graphical Models

    The problem of learning constant-depth circuits holds profound implications for computational learning theory. In a seminal result, by introducing the low-degree algorithm, Linial, Mansour, and Nisan (J. ACM 1993) presented a quasipolynomial-time learner for $\mathsf{AC}^0$ under…

相关实体

相关话题