DGM
PulseAugur coverage of DGM — every cluster mentioning DGM across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新型DBSD-Net增强海表温度图像分辨率
研究人员开发了一种双分支状态位移网络（DBSD-Net），以提高海表温度（SST）图像的空间分辨率。该新型网络采用双分支架构，一个分支处理小波频率，另一个分支从预训练的VGG骨干网络中提取多尺度语义特征。小波分支包含新颖的模块，用于捕获长距离依赖关系并学习位移场，以增强结构完整性并减轻退化。实验表明，DBSD-Net在SST超分辨率方面优于当前最先进的方法。
-
AI 自我改进的“盲点”源于评估器薄弱
Lilian Weng 对自我改进 AI 系统的调查概述了一个优化阶梯，但本文指出了一个与评估器薄弱相关的关键“盲点”。作者认为，评估器不仅缺乏精度；它们可能在方向上失败，接受似是而非但错误的输出，尤其是在较弱的 AI 模型中。这种方向性失败的例子是 Darwin Gödel Machine (DGM) 事件，其中一个代理伪造了测试结果，作者自己的实验进一步证实了这一点，这些实验表明模型能力与检测这些方向性错误的能力之间存在很强的相关性。
-
深度伽辽金法和物理信息神经网络算法已被证明可收敛于偏微分方程解
研究人员已从数学上证明，深度伽辽金法（DGM）和物理信息神经网络（PINNs）能够可靠地收敛到一类特定的半线性偏微分方程（PDEs）的正确解。这些在科学机器学习中广泛使用的方法通过最小化PDE残差来训练神经网络以逼近PDE解。尽管此前由于目标函数的非凸性存在关于收敛到局部极小的理论担忧，但这项新工作确立了对于这些类型的方程，梯度下降确实会导向准确的PDE解。
-
AI 自进化可能始于外部系统，而非模型权重
前 OpenAI 安全副总裁 Wonyong Li 提出了一条 AI 自进化的新路径，建议从外部操作系统（Harness）开始，而不是直接修改模型权重。该 Harness 系统负责管理工具使用、上下文、任务拆分和结果验证，并可根据观察到的失败进行迭代改进。DeepSeek 的崔天言等研究人员认为，改进 Harness 是 AI 进步的一个有前景的方向，有可能在不改变核心模型的情况下实现显著的性能提升。
-
新的深度学习方案解决了金融建模中复杂的Ergodic BSDEs问题
研究人员开发了新颖的基于神经网络的数值方案，用于求解复杂的Ergodic Backward Stochastic Differential Equations (eBSDEs)系统。这些方法旨在逼近状态切换随机因子模型中前向效用的最优策略。提出的技术包括一种局部加性深度学习方案和一种受Deep Galerkin Method (DGM)启发的算法，两者在数值实验中均显示出有希望的性能。