PulseAugur
中
实时 21:10:38
English(EN) LAPLEX: The FFT of Learnable Laplace Kernels

LAPLEX 实现可训练拉普拉斯核，赋能高维深度学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新型可学习拉普拉斯核算子类——LAPLEX，旨在实现深度学习中高效的高维线性代数运算。LAPLEX 层如同全秩稠密矩阵，但由少量可学习参数隐式定义，允许在 GPU 上进行高达 $10^9$ 维的矩阵向量运算。该方法将稠密矩阵的表达能力与其存储成本分离开来，促进了数据自适应的全局交互，并实现了紧凑型投影和可解释的软路由模型。 AI

影响 引入了一种在深度学习模型中高效处理高维数据和复杂交互的方法。

排序理由 这是一篇详细介绍深度学习中线性代数新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · {\L}ukasz Struski, Hanna Blazhko, Piotr Kubaty, Jacek Tabor ·

    LAPLEX: The FFT of Learnable Laplace Kernels

    arXiv:2605.24584v1 Announce Type: cross Abstract: Fast linear algebra in deep learning usually comes with a choice: fixed geometry and exact computation, as in the Fourier transform, or adaptive geometry paid for by dense parameters, random features, or low-rank surrogates. To mo…

相关实体

相关话题