Chebyshev
PulseAugur coverage of Chebyshev — every cluster mentioning Chebyshev across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的谱损失方法改进了非结构化网格上的混沌动力学建模
研究人员开发了一种新颖的方法，通过调整分箱谱损失来对非结构化网格上的混沌动力学进行建模。该方法用图拉普拉斯频率带取代了传统的傅里叶模式，从而能够更准确地预测湍流。该研究引入了切比雪夫和多层近似，包括用于网格的图拉普拉斯能量对齐（GLEAM），以提高长时预测的保真度，并与现有方法相比保留统计不变量。
-
新的KAN框架在积分微分方程中发现核
研究人员开发了一个新的框架，使用约束的Kolmogorov--Arnold网络（KANs）来发现积分微分方程中的记忆和非局部核。该方法旨在克服现有方法通常需要特定问题推导或限制性假设的局限性。该框架利用两种约束KAN：一种具有硬约束的单调-凸KAN（MC-KAN）和一种具有软惩罚的基于Chebyshev的KAN（Cheb-KAN），两者都旨在强制执行诸如正性和凸性等物理性质。然后将符号回归应用于学习到的核，以获得可解释的闭式表示。在包…
-
新的SNLP方法提高了FHE Transformer推理效率
研究人员开发了一种名为层并行推理（SNLP）的新方法，以提高Transformer模型在使用全同态加密（FHE）对加密数据执行计算时的效率。Transformer的传统FHE推理受到非线性运算顺序性的阻碍。SNLP减少了所需的顺序非线性阶段数量，从而显著减少了计算步骤并降低了误差放大。虽然SNLP是对现有FHE友好算子设计的补充，但它并不能取代它们，因为像softmax这样的运算的近似仍然是误差预算中的主要因素。
-
新论文精确描绘有界峰度下的尾部概率
研究人员确定了具有有界峰度的随机变量的精确最坏情况尾部概率。该分析定义了一个四区域图，详细说明了峰度界如何影响单侧尾部控制，揭示了四阶矩的信息可以抵消二阶矩界提供的改进。研究结果还确定了这些界所需的最小平方和证明程度，并提供了明确的对偶证书和极值分布。
-
新的SEDONet架构增强了科学计算中AI的逼近能力
研究人员开发了一种新颖的谱嵌入深度算子网络（SEDONet）架构，以提高DeepONets在科学计算复杂问题上的逼近能力。与使用原始坐标上的全连接层的标准DeepONets不同，SEDONet采用了切比雪夫谱字典，为有界域提供了合适的归纳偏置。这种方法使SEDONet能够更好地捕捉精细尺度特征、边界层和非周期结构，在包括二维泊松方程和Lorenz-96混沌系统在内的各种基准测试中，其相对L2误差优于基线DeepONets和傅里叶嵌入变体。
-
新指标评估 Kolmogorov-Arnold 网络面向硬件的推理复杂度
一篇新论文介绍了用于评估 Kolmogorov-Arnold 网络 (KANs) 推理复杂度的面向硬件的指标。这些指标包括实际乘法运算 (RM)、比特运算 (BOP) 以及加法和比特移位次数 (NABS)，旨在实现平台无关性，并有助于早期架构决策。分析涵盖了 B-spline、GRBF、Chebyshev 和 Fourier KANs 等各种 KAN 变体，能够与其他神经网络架构进行比较。
-
图神经网络优化驾驶轨迹预测
一篇新的研究论文探讨了各种图神经网络（GNN）层在预测驾驶轨迹方面的有效性。该研究比较了19种不同的图层类型，确定了五种组合的性能始终优于其他组合，特别是ARMA、Chebyshev和拓扑感知层。主要发现表明，基于求和的聚合、多头注意力和加权跳数距离可以提高预测精度，为未来的自动驾驶系统提供了实用的设计原则。
-
新论文详解鲁棒半空间学习中的SoS次数障碍
一篇新研究论文介绍了一种对鲁棒半空间学习中Reweighted-Hinge方法的平方和（SoS）次数障碍的表征。该研究专注于恶意噪声下的学习，确立了一个原则：能够隐藏在证书中的最大腐败质量直接与清洁边际的Christoffel函数相关。这导致了边际-次数权衡、一个特定的次数-2异常值障碍以及一个追踪性能边界的次数-2t算法。
-
多变量时间序列预测集新方法揭晓
研究人员推出了一种新颖的多变量时间序列联合预测集方法——过滤共形椭球体。该方法利用状态空间滤波器发出预测均值和协方差，然后使用分段共形方法进行校准。该框架旨在控制单次事件，同时适应跨坐标依赖性，受益于学习到的预测协方差，而不依赖于高斯尾部概率进行覆盖。
-
FilterMoE通过联合节点-通道自适应滤波增强PPGNN
研究人员开发了一种名为FilterMoE的新型预传播图神经网络（PPGNN）方法。该方法解决了为什么更复杂的聚合器在PPGNN中并不总是优于更简单的聚合器的难题。FilterMoE引入了一种混合专家设计，该设计将Chebyshev滤波器专家联合路由到节点和通道上，在11个基准测试中的9个上表现优于现有的PPGNN。
-
马尔可夫不等式演变为测度集中工具
本文探讨了马尔可夫不等式如何演变为更广泛的测度集中工具。文章详细介绍了不等式中的一个替换如何能导出切比雪夫、切尔诺夫、霍夫丁和伯恩斯坦等更强大的界限。核心技术包括对原始不等式应用精心选择的函数。