Boolean Functions
PulseAugur coverage of Boolean Functions — every cluster mentioning Boolean Functions across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
BDD2Seq框架增强了量子计算的可逆电路合成能力
研究人员开发了BDD2Seq，一个新颖的图到序列框架，旨在改进量子计算的可逆电路合成。该方法利用图神经网络编码器和指针网络解码器来预测二叉决策图（BDDs）的最佳变量排序，这对于最小化量子成本等资源消耗至关重要。BDD2Seq通过学习先前被忽视的结构依赖性，解决了传统启发式方法在处理复杂电路方面的局限性。实验表明，与现有方法相比，BDD2Seq显著降低了量子成本并加快了合成速度。
-
新研究证明了常数深度与对数深度神经网络之间的算法分离
研究人员首次建立了常数深度与对数深度神经网络之间的算法分离。他们识别出一类具有结构化傅里叶谱的布尔函数，这类函数可以通过逐层坐标下降法被对数深度网络高效学习。相反，他们证明了具有多项式宽度和受控谱范数的常数深度网络在均匀超立方体分布下难以逼近这些函数，会产生显著误差。
-
新方法改进离散分布参数学习
研究人员开发了一种新方法，可以从特定子集内的样本中有效学习离散分布的自然参数。该方法在“fatness”假设下改进了现有保证，将 l∞-recovery 的样本复杂度提高到 O(log n / ε^2)。该方法使用布尔函数的影响力分析来推广“fatness”概念，为在不要求任意参数化采样的情况下进行有效推理提供了充分条件。还建立了理论下界，显示出模型宽度和最小元素距离的内在指数依赖性。
-
局部循环被确定为神经网络计算的关键设计原理
研究人员确定了增强循环神经网络计算能力的关键结构设计原理。通过训练大量网络计算布尔函数，他们发现具有局部2-和3-循环的网络显著提高了计算能力。研究发现，这些循环结构是解决特定函数和准确预测网络性能的最小架构。研究还表明，添加少量稀疏连接的中间神经元可大幅提高计算能力，进一步强调了局部循环在连接神经元连接性与计算能力方面的重要性。
-
Cartesian Genetic Programming 运行时分析布尔函数
一篇新论文分析了笛卡尔遗传编程（CGP）在演化布尔函数时的运行时。研究人员为 CGP 使用 D 个二元门构建 n 个输入的合取式建立了一个渐近界限 O(n D^5)，在采用非严格选择时改进到 O(n D^4)。该研究还证明了 CGP 需要指数时间来演化异或，这一发现得到了实验结果的支持。
-
研究：RL和SFT以不同方式教会Transformer布尔函数
一篇新的研究论文探讨了Transformer如何学习稀疏布尔函数，比较了具有过程奖励的强化学习（RL）和监督微调（SFT）的不同机制。该研究确定了Transformer可证明地学习这些函数的条件，并为k-PARITY、k-AND和k-OR函数进行了论证。关键发现表明，RL同时学习整个推理链，而SFT则逐步学习，从而深入了解这些微调方法的潜在学习动态。