computational learning theory
PulseAugur coverage of computational learning theory — every cluster mentioning computational learning theory across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新研究揭示神经推理器充当一次性预测器
一篇新研究论文详细介绍了“Lattice Deduction Transformer”（LDT），一种专为推理任务设计的神经网络。与预期相反，LDT充当一次性预测器而非迭代求解器，在初始阶段就确定了大部分解决方案。这种“首次通过中毒”意味着在任何搜索或修订发生之前，错误就已经被制造出来。研究表明，诸如数字排列增强和测试时对称变换等干预措施可以显著提高准确性，这表明校准和对称性在这些系统中比搜索起着更大的作用。
-
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。