Boolean
PulseAugur coverage of Boolean — every cluster mentioning Boolean across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
研究论文探讨神经叠加态中的计算
一篇题为“球与盒子：叠加态中的两种计算几何”的新研究论文探讨了神经表征如何编码比其维度更多的特征，这种现象被称为叠加态。该研究侧重于从这些表征计算布尔门所需的维度。它为具有高斯随机字典和稀疏布尔输入的单层阈值在两种误差标准下推导出了严格的维度阈值。论文指出，预期的误差计数趋近于零可能比确保每个输出高概率正确性需要更多的维度，并将这种差距归因于共享读取，因为稀有实现可能同时导致多个错误。
-
LLM 表现出“思维惯性”，在被告知停止时仍会继续推断
一项新的研究论文引入了大型语言模型（LLM）的“思维惯性”概念，观察到这些模型即使在被指示停止时，仍会继续表现出明确的推断。该研究提出了新的指标来评估“不思考”行为，区分仅回答式遵从、相关但不推断的文本以及明确的推断。研究结果表明，当前的 LLM 控制不足以可靠地消除推断，尤其是在开放式任务中，这表明严格的仅回答式遵从与任务准确性之间存在权衡。
-
下游学习器重塑了遗传编程的演进
研究人员探讨了下游学习器如何影响遗传编程中的演化过程。他们发现，学习器的选择显著影响了遗传编程必须演化的程序的复杂性。通过转向布尔域并通过傅里叶次数测量非线性，研究表明线性学习器精确匹配目标的次数，而树集成则以更简单的程序实现更高的成功率。这项工作表明，可以根据目标的结构来选择学习器，并且可以计算演化程序的次数作为诊断指标。然而，也发出了警告：学习器能力的提高可能导致程序依赖性增加和可读性降低。
-
新的 MACCHIATO 算法增强了 ReLU-MLP 在布尔任务上的可解释性
研究人员开发了一种名为 MACCHIATO 的新颖训练算法，用于 ReLU-MLP，旨在增强布尔任务的可解释性。该方法同时构建显式的 ReLU-MLP 和相应的布尔电路，为模型的计算提供认证保证。该算法通过迭代地将残差投影到电路类并将其编译成 MLP，结合了逻辑最小化和变量选择技术。在合成任务上的实验表明，在特定的数据稀疏区域，MACCHIATO 训练的网络在性能上可以优于标准的 Adam 训练的 MLP，同时在某些复杂的逻辑综合场景…
-
新框架用于概率分布中的比例类比
研究人员引入了一个用于概率分布比例类比的新框架，以贝叶斯更新作为核心机制。该方法将类比定义为通过贝叶斯推理，基于观测数据对分布进行的变换。研究在指数分布族内探讨了这一概念，并提出使用高斯混合模型近似来扩展到任意分布。
-
核注意力在最新研究中面临指数特征秩挑战
一篇新的研究论文探讨了自然语言处理中核注意力机制的局限性。研究表明，虽然全注意力暴露了每个 Token 对，但核注意力将序列压缩成固定维度的草图。在出现竞争性候选的上下文长度下，这种区别呈指数级增长。论文显示，对于布尔输入上的 Min-IP，秩一归一化核注意力可以精确解决长度为两的序列，但任何单一归一化的非负核注意力头在处理三个 Token 的序列时，都需要指数数量的特征才能以最小的误差成功。
-
Tsetlin Machines 实现基于共识推理的去中心化协同学习
研究人员为 Tsetlin Machines (TMs)（一种基于规则的机器学习算法）引入了一种新颖的去中心化学习框架。这种新范式使 TM 集群能够进行协作和学习，而无需交换原始数据，而是依靠基于共识的推理将个体代理的预测整合成全局共识。该方法旨在适应具有不同数据或计算资源的异构代理，使其适用于多模态传感等复杂环境。实验表明，这种去中心化方法在分类准确性方面可与集中式模型相媲美。
-
ExplAIner语言为解释布尔分类模型提供统一框架
研究人员推出了一种新的声明式查询语言ExplAIner，旨在统一指定、组合和分析用于解释布尔分类模型的各种概念。该语言扩展了FOIL框架，以解决表达基于最优查询的局限性，并提高了评估的复杂性。ExplAIner可以表达多种解释类型，包括溯因解释、对比解释和基于特征的查询，其评估问题属于布尔层级。还提出了一个面向优化的片段Opt-FOIL，用于计算最小解释，其评估问题属于FP^NP。