fan
PulseAugur coverage of fan — every cluster mentioning fan across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
FANS框架优化异构联邦学习中的模型架构
研究人员开发了FANS（Federated Adaptive Network Search，联邦自适应网络搜索）框架，旨在优化异构联邦学习环境中的模型架构。该方法利用超网络学习共享架构空间，超越了预定义的模型菜单。为了提高效率，引入了联邦并行缩放（FPS）算法，支持具有自蒸馏功能的多个子网络的并行训练。在CIFAR-10、CIFAR-100和MNLI数据集上的评估表明，与现有方法相比，FANS显著扩展了可行子网络的范围，并改善了准确性-效率权衡。
-
由于散热和气流的物理原理，打造静音PC具有挑战性
由于散热和气流的物理原理，打造一台静音PC是一个巨大的挑战。高性能组件会产生大量热量，需要更强大的散热解决方案，而这通常会增加噪音。风扇湍流、组件振动甚至线圈啸叫等因素都增加了难度，需要一种多方面的方法，而不仅仅是购买更安静的部件。
-
NoRIN 通过非线性归一化推进时间序列预测
研究人员推出了一种新颖的非线性可逆归一化技术 NoRIN，用于时间序列预测，该技术超越了 RevIN 等现有方法的线性仿射变换。与 RevIN 的局限性不同，NoRIN 使用 Johnson $S_U$ 变换，其参数可以调整分布尾部和偏度。该方法将形状参数优化与梯度训练分离，使用分位数拟合和贝叶斯优化来防止模型默认为线性形式，证明了不同的网络架构受益于不同的归一化参数。
-
新的FAN算法提升离线强化学习的效率和性能
研究人员开发了一种新的离线强化学习算法，称为基于流锚定的噪声条件Q学习（FAN）。该方法旨在通过简化流策略和分布批评者的计算需求来提高离线强化学习的效率和性能。FAN采用单一的流策略迭代和单一的高斯噪声样本，理论分析和机器人任务实验表明，这可以带来更好的性能并缩短训练和推理时间。