Dijkstra's algorithm
PulseAugur coverage of Dijkstra's algorithm — every cluster mentioning Dijkstra's algorithm across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Graph Attention Network proposed for faster, generalized network routing
Researchers have developed GATNextHop, a Graph Attention Network model designed to approximate shortest path routing in networks. Unlike traditional algorithms like Dijkstra's, which require recomputation for each topol…
-
思维链解锁 Transformer 中的分支复杂性
研究人员开发了新的思维链（CoT）构造，展示了如何在 Transformer 中实现分支复杂性。这些构造利用硬注意力解码器，为深度优先搜索（DFS）和 Dijkstra 算法提供了明确的、有界深度的实现方法。该研究表明，CoT 可以在线性步骤中计算树的 Strahler 数，并将有序树与 Dyck 路径相关联，从而为有界深度 Transformer 的表达能力提供了新的见解。
-
神经形态算法NEURO-MAPP在高效图搜索方面展现出潜力
研究人员开发了NEURO-MAPP，这是一种新颖的分布式最短路径算法，针对SpiNNaker 2平台等神经形态硬件进行了优化。该算法利用神经形态系统固有的局部计算和通信能力来实现高效的图搜索。评估表明，NEURO-MAPP在各种图类型的运行时长方面具有良好的可扩展性，并且比传统的基于CPU的Dijkstra算法消耗的能量更少，这凸显了神经形态计算在图相关任务中的潜力。
-
研究发现：思维链 Transformer 可高效模拟 Word RAM 算法
一项新的研究论文探讨了思维链 (CoT) Transformer 的理论能力，证明了它们在模拟 Word RAM 算法方面的效率。研究表明，这些 Transformer 仅需多对数开销即可执行排序和 Dijkstra 等算法，与之前模拟图灵机的效率相比有了显著提升。该研究展示了具有特定注意力机制的有限精度 Transformer 的发现，以及连续 CoT 和混合架构的发现。