Fourier analysis
PulseAugur coverage of Fourier analysis — every cluster mentioning Fourier analysis across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架使用傅里叶分析进行高效数据增强
研究人员开发了一个新的框架，利用傅里叶分析和有限群表示论来研究数据增强策略。他们的工作表明，对于许多学习问题，使用随机抽样的群元素子集进行的局部数据增强可以达到与完全增强相同的统计效益。这种方法为具有对称性的学习提供了一种计算上可扩展的方法，解决了完全增强在大群上的不可行性。该研究还包括一个不可能结果，表明精确的不变性强制执行需要对整个群进行平均。
-
RLVR训练动态揭示了推理模型中的隐式课程
研究人员开发了一种理论，解释了可验证奖励强化学习（RLVR）如何帮助大型推理模型克服长时域挑战。他们的分析表明，RLVR训练自然遵循一个隐式课程，即先掌握较容易的问题，然后为更难的问题铺平道路。这种学习进程受到问题难度谱平滑度的影响，平滑过渡会导致稳定的“接力模式”，而突然的不连续会导致类似“grokking”的相变。该研究还引入了从有限群上的傅里叶分析改编的新技术来支持其理论框架。
-
数学家探索中心极限定理的三种不同证明方法
本文通过三种不同的证明方法探讨中心极限定理：傅里叶分析、组合替换和函数恒等式。每种方法都阐明了该定理为何始终导致高斯分布的不同方面。
-
拓扑研究揭示神经网络的 grokking 信号和架构绕过方法
研究人员正在探索神经网络中的“grokking”现象，即模型在开始泛化之前会先记住数据。一项研究提出修改架构拓扑，例如强制执行球形约束或使用均匀注意力，以绕过记忆阶段并加速泛化。另一篇论文利用持久同调来识别一个独特的拓扑信号——同调性的急剧增加——标志着向泛化过渡，为分析表示学习提供了一个新框架。