研究人员开发了一种从结构化、无标签数据中学习排列的新方法，可应用于排序和拼图重建等任务。该方法利用了Gumbel-Sinkhorn算法的熵自适应公式，该公式根据分配的不确定性局部调整温度。这使得排列学习更加稳定和准确，尤其是在大规模和模糊的情况下，其性能优于固定温度方法。 AI
影响 这项研究引入了一种更稳定有效的方法，可以从非结构化数据中学习排列，有可能提高需要排序或空间排列的任务的性能。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.25551v1 Announce Type: new Abstract: Many learning problems require uncovering a hidden ordering that reveals structure in unordered data, such as monotonicity in sorting or spatial continuity in jigsaw reconstruction. In these settings, permutations can be learned as …
Many learning problems require uncovering a hidden ordering that reveals structure in unordered data, such as monotonicity in sorting or spatial continuity in jigsaw reconstruction. In these settings, permutations can be learned as latent operators by optimizing objectives define…