Fourier transform
PulseAugur coverage of Fourier transform — every cluster mentioning Fourier transform across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的图谱神经网络算子在不规则域上学习偏微分方程
研究人员开发了一种新的图谱神经网络算子（GSNO），旨在学习不规则域上偏微分方程（PDEs）的解。该方法结合了空间图谱分解和时间傅里叶变换，无需域变形或复杂的几何嵌入即可实现连贯的算子学习。GSNO在各种PDE基准测试中表现出高精度、缩短的运行时间和更少的参数数量，并显示出强大的泛化能力。
-
New Metaplectic Neural Networks Show Promise for Schrödinger Equation Approximation
研究人员开发了一种利用基于元辛运算符的字典的新型浅层神经网络。这种方法通过引入元辛变换（一种受辛几何启发的傅里叶变换扩展）来扩展Barron空间的概念。该研究建立了这些元辛Barron空间与Sobolev空间之间的嵌入关系，并使用字典原子证明了元辛Barron函数的蒙特卡洛近似界限。基于这些字典原子构建的深度神经网络架构经过测试，在近似求解时间相关薛定谔方程方面，与传统的物理信息神经网络相比，表现出了优越的性能。
-
新的CENDRe方法从CNN时间序列模型中提取概念
研究人员开发了CENDRe，一种新颖的概念提取方法，专为用于时间序列分类的卷积神经网络（CNN）设计。该方法通过分析模型潜在空间中的时间和频谱模式来解决现有技术的局限性。CENDRe自动确定概念的数量，并在时间和频率域提供局部化见解，与以前的方法相比，提供了对CNN预测更全面的理解。
-
新的吉布斯采样方法加速高斯图模型分析
研究人员开发了一种用于高斯图模型（Gaussian Graphical Models）的加速随机扫描吉布斯采样（random-sweep Gibbs sampling）方法。该新方法通过利用源自原始模型局部因子傅里叶变换的双模型（dual model），显著提高了收敛速度。该方法对齐次k-正则图（homogeneous k-regular graphs）有效，证明了双域的收敛速度独立于图拓扑，并受图的代数连通性（algebraic c…
-
新型Fruit-HSNet模型在果实成熟度预测方面取得最先进成果
研究人员开发了Fruit-HSNet，这是一种新颖的机器学习架构，旨在利用高光谱成像技术预测果实成熟度。该方法解决了标记数据有限以及需要跨不同相机和水果类型进行泛化的挑战。Fruit-HSNet利用了时空特征提取模块、可学习特征融合和优化分类器，在DeepHS Fruit数据集上实现了70.73%的新最先进准确率，比现有方法提高了12%。
-
ClockRoPE 增强 LLM 的时间序列建模能力 · arXiv 研究
研究人员开发了 ClockRoPE，一种用于时间序列建模的新颖方法，可增强基于 Transformer 的大型语言模型的性能，尤其是在顺序推荐任务中。这种新方法利用了源自注意力调制函数傅里叶变换的随机傅里叶旋转，以更好地捕捉时间周期性等复杂的距离相关模式。ClockRoPE 在在线 A/B 测试的参与度指标中显示出持续的改进，并且已经在大型视频分享平台的生成检索系统中投入生产使用。
-
新的AI模型应对低光图像增强挑战 · 已追踪2个来源
研究人员开发了BlindPSNR，一种新颖的无参考网络，旨在预测低光图像增强（LLIE）的峰值信噪比（PSNR）。该方法通过在不需要真实参考的情况下估计保真度来解决LLIE中的参数选择挑战，实现了89.5%的top-1准确率。另外，另一项研究引入了MSFT，一种结合了傅里叶变换的多尺度注意力网络，用于LLIE，该网络在各种数据集上显著优于现有方法，在PSNR和结构相似性方面取得了实质性改进。
-
新的DANet模型通过分析折扣趋势提高了电子商务转化率
研究人员开发了一个名为DANet的新模型，以提高电子商务推荐系统中的转化率预测。DANet专门解决了商品折扣率的影响，这是现有模型中经常被忽视的一个因素。该系统利用具有傅里叶变换的时频变换模块来分析折扣趋势，利用分布去偏模块来纠正用户特定折扣数据中的偏差，并利用监督回归任务来增强折扣率表示。DANet已成功部署在阿里巴巴天猫APP上，在离线AUC以及在线pCVR和GMV指标方面均取得了显著改进。
-
论文认为自然启发数学创新，证明了LLM规模的合理性
一篇新论文提出，人类的数学创新源于与自然世界的模式匹配，而非仅仅依靠纯粹的推理。作者认为，逻辑系统的复杂性和棘手性，即使是对于布尔可满足性问题这样的难题，也需要从物理学和生物学中汲取灵感。这一观点表明，大型语言模型的规模之所以合理，是因为它们能够嵌入广泛的跨领域模式，这与人类创造力所需的认知必要性相呼应。
-
人工智能需要自然的模式来进行数学创造，而不仅仅是逻辑
一项新假说提出，人类的数学推理，除了纯粹的演绎推理外，在根本上依赖于从外部领域（尤其是自然界）进行的模式匹配。这是因为纯粹的推理面临着不可判定性和计算棘手性带来的局限。历史上的例子，例如傅里叶变换的发展，说明了物理学问题如何激发了纯粹逻辑本身无法预见的数学创新。该论文认为，这种对受物理学启发的模式匹配的依赖是一种认知必需，这意味着旨在达到人类水平数学创造力的人工智能系统必须整合海量的跨领域模式，这证明了当前大型语言模型的规模是合理的。
-
新的神经过程方法利用傅里叶和沃尔泰拉级数
研究人员开发了改进神经过程（NP）的新方法，NP 是一种用于从有限数据进行函数逼近的概率模型。他们的工作通过引入集合傅里叶卷积（SFConvs）并利用沃尔泰拉展开来解决现有平移等变神经过程的局限性。这些创新使模型能够处理具有全局感受野和线性缩放的非规则采样点，从而提供更好的可解释性和效率。
-
机器学习使用谱分解来简化矩阵
本文解释了谱分解，一种用于简化矩阵的机器学习数学技术。它将矩阵分解为其基本组成部分：方向（特征向量）及其对应的强度（特征值）。文章详细介绍了三种主要的谱分解类型：方阵的特征分解、对称矩阵的谱定理，以及奇异值分解（SVD），这是一种更通用的方法，适用于任何矩阵，包括非方阵。
-
CHASM 混合器改进了用于视觉任务的频谱令牌算子
研究人员开发了 CHASM，这是一种新颖的频谱令牌混合器，旨在改进视觉特征图中的全局交互建模。CHASM 使用共享的学习基数跨不同频率协调通道方向，同时保留特定频率的正频谱增益。当用作现有混合器的替代品时，这种方法在 MRI 重建和分割等任务中始终能提高性能。