Cora
PulseAugur coverage of Cora — every cluster mentioning Cora across labs, papers, and developer communities, ranked by signal.
- employed by Kieran Klaassen 90%
- authored by Compound Engineering 70%
- instance of CiteSeerX 70%
- used by graph attention network 70%
- developed by Compound Engineering 70%
- instance of Kieran Klaassen 70%
- uses monologue 70%
- used by monologue 70%
- employed by Compound Engineering 70%
- developed Kieran Klaassen 70%
- used by PMID 70%
- used by Gotit.pub 70%
2 天有情绪数据
-
新的DeNA-SGN方法实现了验证性脉冲图推理
研究人员开发了DeNA-SGN,一种用于神经形态硬件上图学习的新颖方法。该方法集成了确定性邻域聚合和学习分类器,实现了高效准确的推理。DeNA-SGN在Amazon Photo、Wiki-CS和Cora等数据集上表现出色,在保持与传统ANN决策匹配的同时,实现了具有竞争力的准确性。
-
新的DeNA-SGN方法实现了验证性脉冲图推理
研究人员开发了DeNA-SGN,一种用于确定性邻域聚合的脉冲图推理的新颖方法。该方法结合了固定聚合技术和学习分类器,可以直接编译成SuperNeuroMAT电路。DeNA-SGN已在包括新的Amazon Photo数据集在内的多个数据集上展示了准确的分类,并提供了其运行相关能耗的详细核算。
-
TRON 框架利用生物网络改进 AI 架构搜索
研究人员开发了 TRON(TRansfer Of Natural networks)框架,这是一个新颖的神经演化框架,它利用生物蛋白质-蛋白质相互作用(PPI)网络作为人工神经网络(ANNs)的架构先验。该方法旨在通过使用自然演化的生物网络结构作为构建块,而不是随机拓扑,来克服神经架构搜索(NAS)中的挑战。与现有的演化和神经演化方法相比,TRON 在多个分类和回归基准测试中展示了更优越的预测性能和更高的鲁棒性,尽管计算成本有所增加。
-
研究质疑 GraphLLM 相较于简单基线的性能提升
一篇新的研究论文质疑了 GraphLLM 方法在文本属性图节点分类上报告的性能提升。研究发现,简单的基线方法,如基于 TF-IDF 特征的 Correct & Smooth 或基于 e5-large-v2 嵌入的 MLP,其表现通常与报告的基于 LLM 的方法相当,甚至更好。该论文还强调了现有研究中显著的评估风险,包括测试集污染、不当的超参数调整以及基线数字报告不一致等问题,这些问题可能会夸大 GraphLLM 的感知优势。
-
新基准 Lethe 评估图神经网络中的边缘遗忘
研究人员推出了 Lethe,这是一个旨在评估图神经网络边缘遗忘方法的新基准。目前对边缘遗忘的评估有限,通常使用节点特征掩盖图结构的数据集,并采用对删除边不敏感的准确性指标。Lethe 通过关注大型图、提供不同难度的任务以及利用链接推理攻击作为更有效的评估措施来解决这些问题。该基准包括 15 种方法和 8 个数据集,旨在为评估边缘遗忘技术提供一个更强大、可重现的框架。
-
新的分数热核在训练数据最少的情况下改进了图学习
研究人员开发了一种新颖的分数热核框架,用于半监督图学习,旨在即使在训练数据有限的情况下也能提高性能。该方法结合了非局部传播和持续的标签信息,防止了常见的过平滑问题。分数阶和扩散时间是控制标签传播和谱权重 Thus, the fractional order and diffusion time are key parameters that control label propagation and spectral weightin…
-
新方法构建多样化决策源以改进伪标签学习
研究人员开发了一种通过构建更具信息量的决策源来改进伪标签学习的方法。该方法不依赖多个相同的模型,而是修改共享图表示的内部结构以创建多样化的证据。通过选择这些构建的源的互补子集,该方法提高了伪标签的精度,从而在 Cora、CiteSeer 和 PubMed 等数据集上实现了具有竞争力的下游准确性。这项工作强调了在基于共识的伪标签学习中,构建源比简单地增加模型数量更重要。
-
新的残差优势方法增强了AI推理模型
研究人员推出了一种名为残差优势(RA)的新方法,用于改进具有可验证奖励和同策略蒸馏的强化学习模型。RA将教师模型和学生模型之间的概率残差视为有界奖励,然后用它来形成优势项。这种方法旨在重新分配响应中各步骤之间的信用,而不改变整体结果标签。该方法还包含一种名为CoRA的教师LoRA更新机制,该机制根据学生的进步调整指导,从而在数学基准测试中取得显著改进。
-
新框架使用 LLM 学习可解释的逻辑程序
研究人员开发了一个名为 grasp 的新神经符号框架,该框架将语言模型与函数梯度提升相结合,以学习概率逻辑程序。该方法通过使用大型语言模型作为提升框架内的假设生成器,解决了从数据中归纳逻辑程序的难题。grasp 系统在分子毒性预测和引用匹配的基准测试中,表现优于现有的符号、神经网络和仅 LLM 的方法,同时保持了符号输出的可解释性。
-
Kieran Klaassen 详解如何在不更改代码的情况下运行 Cora
Every 的 Cora 负责人 Kieran Klaassen 在最近的一次 localhost 活动中分享了他的运营方法。Klaassen 介绍了他在不直接修改代码的情况下运行 Cora 系统的见解。文章强调了他的方法是他演讲中的一个关键收获。
-
新的CHASE框架通过几何感知方法增强AI模型工程
研究人员推出了一种新颖的几何感知模型工程框架CHASE(Channel-Aligned Structure Exploitation)。CHASE利用几何和光谱对齐(GSA)来分析已训练的神经网络,识别可应用于模型修改、重构和压缩的结构属性。该论文详细介绍了六种应用,包括参数高效微调、结构化剪枝补偿和模型合并,实验结果证明了CHASE在这些任务中的有效性。
-
面向能效的FPGA图卷积网络(GCN)加速器协同优化稀疏化与近似计算
研究人员开发了一种新颖的、面向边缘设备能效推理的图卷积网络(GCN)FPGA加速器。该系统在AMD Kria KV260平台上集成了图稀疏化与近似计算技术,特别是8位量化和近似乘法器。在Cora和Amazon Photo等数据集上的评估显示,在保持高分类精度的同时,功耗低于1W,速度提升高达9.88倍。研究强调,图稀疏化与近似算术的协同优化是实现高效低功耗GCN推理的关键。
-
Every 推出“展示你的文件夹”系列,探讨 AI 工作空间组织
Every,一本专注于 AI 的出版物,推出了一项名为“展示你的文件夹”的新系列,其中个人分享他们的 AI 工作空间组织策略。首集节目采访了 Cora 的总经理 Kieran Klaassen,他解释了他为每个 AI 任务使用不同文件夹的系统,并由名为 Erf 的协调员将任务分配到这些文件夹。这种方法旨在为代理提供清晰的任务和必要的上下文,从而在不丢失上下文的情况下进行工具切换。该出版物还重点介绍了一个工作流程,该工作流程使用 Com…
-
Every 的 Thesis: 2027 会议门票周三上涨
Every 将于11月5日在布鲁克林的 Pioneer Works 举办其首届年度会议 Thesis: 2027。本次活动将聚焦自动化未来中人类工作的本质。门票价格将于周三上涨100美元至1500美元,申请将滚动审核。持票人可参加包含开放式酒吧和 DJ Beewack 的派对,Every 订阅者免费参加。
-
新的VBLL方法增强了演化图上的在线节点分类
研究人员开发了一种名为变分贝叶斯最后一层(VBLL)的新方法,用于演化图上的在线节点分类。该方法解决了归纳泛化和校准不确定性的挑战,这对于动态图环境和安全敏感应用至关重要。VBLL联合训练图神经网络编码器和近似的最后一层后验,并在测试时使用在线拉普拉斯更新进行流式后验更新。在五个基准测试上的实验表明,VBLL在准确性和负对数似然方面表现优越,在Cora和ogbn-arxiv等数据集上显著优于其他方法。
-
作者反思AI自动化对个人学习的影响
作者反思了自动化和AI工具对自己学习和发展的 Yet, particularly in the context of building Cora, an email assistant for Every. 尽管自动化通过将任务分配给代理提高了生产力,但作者注意到个人学习和理解能力有所下降,将自己的思维比作“TikTok信息流”。为了应对这种情况,他们实施了一个新的反馈循环,以加深对所构建系统的理解,并强调阅读代码不仅是为了验证,更是…
-
AI邮件助手将文件夹用作专用代理
Cora的总经理Kieran Klaassen分享了他开发AI邮件助手的经验。在与复杂的代理群斗争后,他发现一个组织良好的项目文件夹,包含具体的指令和积累的上下文(如CLAUDE.md和技能定义),可以有效地充当一个专用的AI代理。这种“文件夹即代理”的方法,他已经在44个代理中为各种项目实施,通过为AI模型提供足够的上下文来充当专家而无需不断重新解释,从而简化了代理管理。
-
使用 FaST 框架对齐为 TTS 优化文本生成的大语言模型
研究人员开发了一种方法,使大语言模型(LLM)能够生成更适合文本转语音(TTS)系统的文本。该方法将问题构建为偏好对齐任务,旨在直接优化 LLM 以实现口语化输出,而不是依赖于生成后的重写。研究引入了新的数据集和评估套件,包括启发式指标、TTS 到 ASR 的管道以及人类听力研究。实验表明,特征感知采样与调优(FaST)框架在 TTS 友好性和有用性之间提供了最佳平衡。
-
新的定向图学习方法提供无对称性的谱控制
研究人员开发了一种新的定向图学习方法,该方法解决了可训练的非对称传播算子问题。该方法利用双侧锥瑞利框架来实现谱认证、敏感性分析和控制,而无需对称性或锥保持。在Cora引文网络上的数值实验表明,右-左敏感性的自适应重新计算将一个区分的谱水平降低了约21.5%,而对测试准确性没有影响。
-
新的AI审计协议CORA衡量网站冗余
研究人员推出了一种新的协议指导AI审计系统CORA(Counterfactual, Observable Redundancy Audit),用于衡量网站冗余。CORA将指标分为重复负载、正常使用税和故障域恢复储备,并为每次运行保留截图、元素标识和任务跟踪的详细日志。一个视觉语言模型提出标注,然后通过类型检查和发布标准进行验证。虽然CORA在测试环境中显示出更高的准确性,但其在生产环境中的应用以及与人类的一致性仍有待观察。