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
-
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。