discrete Fourier transform
PulseAugur coverage of discrete Fourier transform — every cluster mentioning discrete Fourier transform across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的乳腺钼靶数据集和泛化框架提高了AI准确性
研究人员引入了两个新的数据集BreastMammo和DenseMammo，旨在提高AI模型在不同临床地点乳腺钼靶检查中的泛化能力。他们还提出了一个使用前景直方图匹配来解决图像采集风格差异的领域泛化框架。该方法在采用Swin Transformer骨干网络进行测试时，在密度分类方面达到了98.32%的AUC，并在外部数据集上优于MixStyle和基于离散傅里叶变换的框架等现有方法。
-
新型可训练基在图像压缩方面超越JPEG
研究人员开发了一种使用可训练多线性基进行图像压缩的新方法，该方法借鉴了量子多体理论。这些基以等距张量网络的形式参数化，并在酉矩阵上进行优化，旨在提高压缩效率，超越离散傅里叶变换和离散余弦变换等传统方法。新方法在性能上持续优于固定的非参数基，在压缩Quick Draw线条图方面表现尤为突出，在同等重建质量下，其字节数比JPEG减少了约20%。
-
新的WavePhaseNet方法从理论上将LLM幻觉与结构限制联系起来
研究人员开发了WavePhaseNet，一种用于构建大型语言模型（LLM）中语义概念层级结构（SCHS）的新方法。该方法使用测度论和频率分析重新构建注意力机制，从理论上证明幻觉是固有的结构限制。该方法利用离散傅里叶变换（DFT）将语义信息分解为频带，从而能够精确地操作和减小嵌入空间。通过将GPT-4的嵌入空间从24,576维减小到约3,000维，作者声称在保留含义和意图的同时，能够通过同调正则化实现严谨推理并抑制幻觉。
-
Phasor Transformer 为时间序列建模提供高效的注意力替代方案
研究人员推出了一种新颖的 Phasor Transformer 模块，旨在解决时间序列数据注意力机制中的二次瓶颈问题。这种新方法在单位圆流形上表示序列状态，并结合了可训练的相位偏移和无参数的离散傅里叶变换来实现全局 token 耦合。由此产生的 Large Phasor Model (LPM) 在参数数量仅为自注意力模型一小部分的情况下，展现出与之相当的性能，为振荡域中的时间建模树立了新的效率-准确性前沿。
-
新方法将人口普查隐私核算速度提高了1824倍
研究人员开发了一种新的求积法，显著加快了美国十年一次人口普查的隐私核算速度。该方法利用筛子算法和离散傅里叶变换，与现有技术相比实现了1824倍的速度提升，同时符合严格的误差容忍度。这项创新能够更精确地确定差分隐私所需的最小噪声量，从而提高人口普查数据在联邦资金分配和政治重新划分等应用中的统计效用。