Euclidean distance
PulseAugur coverage of Euclidean distance — every cluster mentioning Euclidean distance across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法通过潜在世界模型增强AI规划 · 跟踪4个来源
研究人员开发了新的方法来改进潜在世界模型中的规划，这些模型可以预测动作序列的结果。一种方法，强化规划（RP1），通过将良好的搜索规则强化到神经规划器中来学习改进多步规划，其性能显著优于传统的搜索算法。另一种方法DA-LeWM通过为潜在世界模型增加逆动力学和演示条件目标-动作头来解决决策度量对齐问题，从而在模型预测控制任务中实现更快的收敛和更高的成功率。
-
新的几何过滤方法增强了用于文本分类的LLM生成数据
研究人员开发了一种新颖的几何过滤框架，以提高大型语言模型（LLM）为文本分类任务生成的合成数据的质量。该方法根据LLM生成的样本在嵌入空间中到真实数据点的欧氏距离进行评估，仅选择在几何上与目标类别一致的样本。该方法在各种数据集和分类器上均显示出显著的改进，优于SMOTE等现有方法，并在命名实体识别任务中表现出特别的功效。
-
新方法改进神经表征距离计算
研究人员开发了改进的多元模式分析中神经表征之间距离的计算方法。新技术提高了现有度量（如交叉验证欧氏距离和皮尔逊距离）的可靠性和准确性。这些进展对于分析复杂的神经数据（如MEG记录）尤其重要，并能提供对神经表征更精确的见解。
-
NLP 模型如何将任意 Token ID 转换为有意义的嵌入式
Token ID，即任意整数，在自然语言处理模型中通过嵌入式获得含义。最初，使用独热编码，为每个 Token 分配一个唯一、稀疏的向量。然而，这种方法对于大型词汇表来说效率低下，并且无法捕捉词语之间的语义关系，因为所有词语的距离都相等。密集向量，即嵌入式，通过将 Token 表示为更短、有意义的数字列表来克服这些限制，其中相似的词语具有数值上接近的向量，从而使模型能够理解语义关系。
-
新的可扩展 MADD 算法应对大数据分类挑战
研究人员开发了一个可扩展版本的平均绝对距离差（MADD）算法，以解决其在大数据集上的计算限制。原始的 MADD 算法虽然在高维场景中有效，但其计算复杂度与训练样本数量呈二次方关系，使其不适用于大数据。提出的可扩展版本通过采用代表性样本选择并利用随机傅里叶特征进一步加速，显著降低了计算复杂度，从而能够将 MADD 应用于具有大量观测值的大数据。