Alireza Furutanpey
PulseAugur coverage of Alireza Furutanpey — every cluster mentioning Alireza Furutanpey across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SG-AFM方法将学习式图像压缩提升13%
研究人员开发了一种名为语义引导自适应潜在频率调制（SG-AFM）的新方法，以改进学习式图像压缩。该技术利用语义信息来引导图像数据中高频的衰减，从而在不牺牲物体边界等关键细节的情况下降低数据速率。SG-AFM应用Haar小波变换以及固定和学习到的乘数组合来调制频率子带，在各种数据集上实现了显著的比特率降低。
-
新论文探讨随机平滑在可行集上的几何学
研究人员 Alireza Furutanpey 和 Ruevo ny 在 arXiv 上发表了一篇论文，详细介绍了随机平滑在可行集上的几何学。他们的工作引入了一种通过过滤提案来认证标签概率的方法，这可以导致认证包含决策边界的球体。该论文将问题分为几何和认证问题，探讨了条件化如何保持高斯比较以及对认证半径的影响。
-
FANS框架优化异构联邦学习中的模型架构
研究人员开发了FANS（Federated Adaptive Network Search，联邦自适应网络搜索）框架，旨在优化异构联邦学习环境中的模型架构。该方法利用超网络学习共享架构空间，超越了预定义的模型菜单。为了提高效率，引入了联邦并行缩放（FPS）算法，支持具有自蒸馏功能的多个子网络的并行训练。在CIFAR-10、CIFAR-100和MNLI数据集上的评估表明，与现有方法相比，FANS显著扩展了可行子网络的范围，并改善了准确性-效率权衡。
-
新型神经编解码器通过优先传输清晰内容优化卫星图像传输
研究人员开发了一种新颖的神经编解码器，旨在提高地球观测卫星传输图像的效率。该编解码器利用清晰度概率加权重建损失，使其能够在无需云图的情况下将编码比特从多云区域重新分配到晴朗地面。该系统将图像编码为基础层和精炼层，从而能够根据截止时间余量和剩余比特数等因素优先传输清晰内容。评估表明，与现有方法相比，该方法在相当的清晰区域质量下所需的比特数显著减少，并且比传统的云检测方法消耗的能量更少。
-
新内在激励方法用于强化学习
研究人员提出了一种新颖的无监督强化学习内在激励方法，专注于具有混合不确定性来源的环境。该方法被称为“Principled Direction-Free Intrinsic Motivation”，利用无模型认知自由能估计器生成内在奖励信号。该信号旨在通过最大化参数信息增益来驱动在未解决动力学区域的探索，这代表了模型可以解释的预期惊喜。随着动力学变得更加清晰，该信号会转向有利于低方差转换，而无需显式的下一状态预测器。
-
研究论文评估神经图编译器对机器学习性能的影响
本研究论文探讨了神经网络图编译器对机器学习模型在各种硬件平台上性能的影响。研究强调了供应商特定的优化如何显著改变不同架构之间的性能比较，甚至会根据模型深度和批量大小逆转性能优势。研究人员引入了新的指标来量化编译器的效率，并主张将编译器效应纳入研究过程，以弥合理论进步与实际部署之间的差距。
-
研究质疑强化学习在服务编排中的实际收益
一篇新的研究论文质疑强化学习（RL）在服务编排中的广泛应用，认为发表激励机制偏向于基准测试的收益，而非实际性能证据。该研究重新评估了三个有影响力的RL编排系统，发现它们声称的优势在生产相关的扰动下往往站不住脚。作者建议，该领域需要更强大的比较器、注册的扰动模型以及奖励可复现操作证据的发表标准，以确保学习真正改善编排。