Erm
PulseAugur coverage of Erm — every cluster mentioning Erm across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
Energy-guided Recursive Model 增强神经网络推理能力，利用 Hopfield 能量 · 跟踪 2 个来源
研究人员推出了一种新颖的递归推理方法——Energy-guided Recursive Model (ERM)。ERM 利用显式的 Hopfield 能量来指导候选轨迹的选择，提供了一种原则性的推理机制。该方法与基于能量的采样技术无缝集成，以提高效率和排名。ERM 在数独和 Pencil Puzzle Bench 等复杂任务上表现出色，优于以往的模型。
-
LLM-PV 方法利用 LLM 先验知识提高程序学习效率
研究人员开发了一种名为 LLM-PV 的新方法，该方法利用预训练的大型语言模型 (LLM) 来提高程序学习效率。该方法利用 LLM 生成候选程序，然后在验证集上执行和评分，而无需直接对 LLM 进行梯度更新。实验表明，LLM-PV 能有效地从小数据集中恢复底层规则并具有良好的泛化能力，在奇偶校验变体和素数测试等任务上优于传统的 SGD 训练 Transformer 和上下文学习等方法。研究结果表明，LLM 先验知识可以作为经验风险最小…
-
新算法解决受污染和异构多任务学习问题
研究人员开发了一个新的受污染多任务学习框架，解决了数据污染和任务间异构性带来的挑战。所提出的方法是一种基于过滤的鲁棒多任务梯度下降，旨在同时估计全局风险最小化器和干净的任务特定最小化器。该方法通过消除依赖于维度的误差，在模拟和真实世界数据分析中表现出鲁棒性和个性化，优于现有方法。
-
新研究探讨 Wasserstein DRO 在风险敏感估计和遗憾优化中的应用
两篇新研究论文探讨了 Wasserstein 分布鲁棒优化 (DRO) 在不同机器学习背景下的应用。第一篇论文介绍了一种使用 Wasserstein 球和条件在险价值 (CVaR) 进行风险敏感估计的方法，并展示了其在电力价格预测中的有效性。第二篇论文侧重于 Wasserstein 模糊集中的遗憾优化，提出了一个理论和算法，以在计算 NP-hard 的复杂场景中平衡鲁棒性与潜在收益。
-
新的组合条件解决了 Proper Positive-Only Learning 问题
研究人员解决了机器学习中一个长期存在的关于 proper positive-only learning 的问题。该研究确立，如果一个概念类具有有限的 VC 维度并满足一个称为 uniform exterior separability 的新条件，那么它就可以从仅有正样本中进行 proper 学习。这一表征突显了与标准 PAC 学习的显著差异，包括 proper 和 improper 学习之间，以及确定性和随机 proper 学习之间的分离。
-
大型制药公司应对工业热能脱碳挑战，Amidst Price Volatility
像AstraZeneca这样的大型制药公司正日益关注工业热能的脱碳问题，这是其供应链中重要的排放源。地缘政治事件和由此产生的能源价格波动，为减少对天然气供热的依赖创造了强有力的商业理由。AstraZeneca的清洁供热计划（Clean Heat Program），与Secaro和ERM合作开发，旨在系统性地减少其供应商网络中的这些排放，同时优先考虑成本降低和业务韧性以及可持续性。