computational learning theory
PulseAugur coverage of computational learning theory — every cluster mentioning computational learning theory across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究探讨校准距离的计算和统计硬度
研究人员调查了校准距离（一种评估概率预测器的关键指标）相关的计算和统计挑战。他们开发了一种在特定条件下精确计算的有效算法，改进了先前的近似方法。然而，当放宽这些条件时，问题变得NP难，在一般情况下需要近似方案。对于估计，研究表明，特定数量的样本对于经验校准距离在给定epsilon范围内近似真实距离来说是充分且必要的。
-
受思维链监督的单个神经元显示出惊人的计算能力
研究人员已经证明，当单个神经元接受自回归思维链（CoT）监督训练时，它可以模拟具有相同激活函数的任何前馈电路。这一发现表明，即使是简单的神经网络结构也能实现强大的计算能力。这项研究与加法组合学中的Sidon集有关，表明自回归阈值神经元可以模拟多项式时间图灵机，并且易于学习。作为实际演示，一个自回归ReLU神经元被训练以相当高的准确度模仿CIFAR-10数据集上的神经网络。
-
揭示稀疏激活神经网络的新Rademacher界限
研究人员为稀疏激活神经网络开发了近乎紧致的Rademacher界限，特别关注单隐藏层ReLU模型。这项工作改进了对每个输入仅激活少数隐藏单元的模型的统计复杂度的理解。新的界限通过移除显式的维度因子改进了先前的发现，并提供了关于输入域和网络偏差如何影响复杂度的见解，对agnostic minimax excess-risk界限具有启示意义。
-
个人募捐呼吁包含简短的AI评论
此条目是一个为帮助受伤的朋友而进行的个人募捐呼吁，提供了一个PayPal链接进行捐款。作者简要地将互联网门户的概念与生成式AI对公众的目标联系起来。
-
神经推理器充当单次预测器，而非迭代求解器
一篇新论文介绍了一种名为 Lattice Deduction Transformer (LDT) 的神经求解器，它与预期相反，在充满线索的数独游戏中充当单次预测器，而不是迭代推理器。研究表明，该模型在单次传递中就完成了大部分网格的填充，这种现象被称为“首次通过投毒”，即在任何搜索过程开始之前就自信地删除了错误的值。虽然添加诸如回溯之类的搜索机制可以显著减少冗余计算，但并不能提高准确性，这表明优化和样本效率是关键优势。该论文提出了两种干…
-
数据中心与云服务公司宣布关键领导层任命以支持扩张
在2026年第三季度，多家关键数据中心和云服务公司宣布了重要的领导层变动，以支持扩张和不断变化的行业需求。NTT Data Group任命Kazuhiko Nakayama为新任总裁兼首席执行官；Stream Data Centers在被Apollo Funds收购后，任命了首席财务官Murray Woolcock和建筑执行副总裁Scott Greubel。Kao Data晋升Spencer Lamb为首席执行官；Colt Data …
-
CoLT框架教会多模态模型用潜在思维进行推理
研究人员开发了CoLT（Chain of Latent Thoughts，潜在思维链），一个旨在提高多模态大语言模型（MLLMs）在视觉推理任务中效率和效果的新框架。与依赖冗长文本标记的传统思维链（CoT）方法不同，CoLT利用潜在思维表示链，显著减少了推理时间和计算成本。该框架在训练期间采用轻量级外部解码器进行步级监督，确保了稳定且有意义的潜在推理，然后在推理时移除该解码器以实现最大效率。实验表明，CoLT的性能优于现有的潜在推理方…
-
随机次梯度法最后一迭代的新界限已找到
研究人员为随机次梯度法（SsGM）应用于一维凸Lipschitz目标函数时的最后一迭代建立了新的理论界限。研究表明，在标准的固定步长和加性i.i.d.次梯度噪声下，优化误差为$1/\sqrt{n}$的量级，通过去除对数因子改进了现有界限。然而，研究还表明，在没有i.i.d.假设的情况下，误差会增加到$(\log n)/\sqrt{n}$，这表明在某些条件下SsGM的最后一迭代并非最优，并解决了先前一个悬而未决的问题。
-
新算法提高了John Ellipsoid近似的精度
研究人员开发了用于近似对称多面体的John Ellipsoid的新算法，改进了现有的Leverage-Score方法。这些算法将计算的复杂性分为不同的成本：认证、识别和精度。新方法为精度提供了显著更快的收敛速度，在初始设置阶段后，将精度对近似参数\(\varepsilon\)的依赖性降低到双对数级别。