Frobenius norm
PulseAugur coverage of Frobenius norm — every cluster mentioning Frobenius norm across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的估计器学习指数族分布的混合模型
研究人员开发了一种新颖的估计器,用于学习具有有界支撑的指数族分布的混合模型。该方法利用凸损失函数,无需对数分割函数,并将估计问题构建为任何给定标签分配下的凸优化任务。该方法在参数误差上建立了有限样本界限,并证明了即使在可容许标签分配的复杂度随样本量次线性增长的情况下,该方法也具有一致性,并且附加条件能够实现分量和标签的恢复。
-
新iFLEX模型利用生成式学习精炼科学场重建
研究人员开发了一种名为插值流专家(iFLEX)的新方法,用于从低分辨率时间数据中改进中间科学场的重建。iFLEX利用条件扩散模型学习并生成简单数值插值的残差误差,然后将其加回到估计值中。与包括Navier-Stokes Kraichnan湍流、上海雷达降水和海面温度在内的数据集上的现有基线相比,该方法已证明具有更低的重建误差。在特定的湍流测试案例中,iFLEX将相对Frobenius范数误差从约13.7降低到10.5。
-
新的黎曼几何增强了深度神经网络的低秩适应性
研究人员开发了一个新的黎曼几何框架,以提高深度神经网络低秩适应(LoRA)的效率。这种新度量确保每次权重更新都能更好地逼近完全微调,从而使优化更有效。实验表明,这种预处理方法能够使权重矩阵更接近通过完全微调获得的权重,在语言和视觉任务中表现出改进的性能。
-
新研究统一了基于范数正则化的线性推荐模型
本文研究了线性推荐模型的正则化景观,发现表现最佳的模型主要使用核范数或Frobenius范数正则化器。虽然核范数解是低秩且有闭式解的,但其预测能力有限。Frobenius范数解更具表现力,但需要复杂的数值过程。作者提出了两种新的低秩闭式解,结合了两种正则化类型的优点。
-
新的TRACE-CRC方法增强了多步CSI预测的不确定性量化
研究人员开发了TRACE-CRC,一种用于预测无线通信中未来信道状态信息(CSI)的新方法。该方法为多步CSI预测提供了经过校准的不确定性估计,这对于波束形成和调度等下游决策至关重要。TRACE-CRC围绕预测的CSI矩阵构建Frobenius范数不确定性球,通过结合未来步长依赖的误差剖析和轨迹难度分层来控制未覆盖未来帧的风险。
-
PFAdapter框架通过层级LoRA分解增强联邦多模态大语言模型
研究人员开发了PFAdapter,一个旨在提高联邦学习环境中多模态大语言模型(MLLMs)的个性化和效率的新框架。该方法使用层级LoRA分解将模型参数分为全局共享和本地私有组件,从而在保持全局知识的同时更好地适应边缘特定数据。与现有方法相比,PFAdapter将通信成本降低了近50%,并在各种数据集上展示了2.4%至4.8%的准确率提升。
-
PFAdapter 框架增强了多模态大语言模型的个性化联邦学习 · 跟踪 2 个来源
研究人员推出 PFAdapter,一个旨在增强多模态大语言模型 (MLLMs) 个性化联邦学习的新框架。该方法将 LoRA (低秩适配) 参数进行分层分解,将其分离为用于通用多模态语义的全局共享组件和用于边缘特定适配的本地私有组件。通过采用正交正则化和选择性聚合,PFAdapter 在各种数据集和任务上显著降低了近 50% 的通信成本,同时将准确率提高了 2.4% 至 4.8%。
-
Krakencoder 分析揭示大脑连接组中细微的性别差异
一项发表在 arXiv 上的新研究使用 Krakencoder 框架分析了大脑连接组中基于性别的差异。研究人员检查了来自人类连接组计划 702 名参与者的结构和功能连接组,评估了移除个体 Yeo-7 功能网络的影响。默认模式网络引起了最大的扰动,而体感运动网络的影响最小。虽然预测连接组中的性别特异性信息很微妙,但与单独的扰动衍生特征(66.09% 的准确率)相比,完整的预测连接组保留了显著更多的性别区分信息(准确率高达 84.76%)。