Gauss–Newton algorithm
PulseAugur coverage of Gauss–Newton algorithm — every cluster mentioning Gauss–Newton algorithm across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的平流费舍尔-劳度量增强了概率测度优化
研究人员引入了一种新的平流费舍尔-劳度量，用于连续方程控制的概率测度优化任务。该度量已被证明可以提供最优下降方向，并源于三个不同的理论视角：路径测度上费舍尔-劳度量的零噪声极限、弗里德林-温策尔大偏差率泛函的二阶变分的期望值，以及动态最优输运的贝纳莫-布伦耶作用泛函的Hessian矩阵。计算实验证实，这种平流费舍尔-劳度量能有效拟合概率密度，优于优化速度场的Gauss-Newton方法。
-
神经算子学习避碰航天器集群轨迹 · 跟踪2个来源
研究人员开发了一种新颖的神经算子，可以为大型航天器集群规划无碰撞轨迹。该算子在单次前向传播中将航天器、目标和碎片分布映射到轨迹，在可扩展性和速度方面显著优于经典方法。它在少量航天器上进行训练，可以推广到多达 1000 个航天器的集群，其精度可与最优控制求解器相媲美，同时在拥挤的轨道上更好地规避威胁。
-
新的几何可观性指数增强了 SE(3) 位姿估计
研究人员引入了几何可观性指数（GOI），这是一个用于评估 SE(3) 环境中位姿估计敏感性的新颖指标。该指数量化了单个测量值对估计位姿的影响，并与 M 估计量和费舍尔信息建立了联系。GOI 的最小特征值直接指示弱可观性和有限样本稳定性，提供了一个已通过合成数据和 TUM RGB-D、KITTI 等真实世界数据集上的实验验证的理论框架。
-
新框架提升物理信息神经网络精度
研究人员开发了 DSGNAR，一个旨在改进物理信息神经网络 (PINNs) 训练的新型优化框架。该框架解决了以往限制 PINNs 精度（相比经典求解器）的病态问题。DSGNAR 在包括 Burgers 方程和高维 Poisson 问题在内的各种问题上实现了显著改进，达到了极低的误差率，同时还展示了更快的计算速度。
-
新的BREIT框架通过三维EIT增强脑卒中重建
研究人员开发了BREIT，一个旨在利用多频电阻抗成像（MF-EIT）改进脑卒中重建的新框架。该框架通过提供数据生成、模拟和评估的标准化流程，解决了当前三维深度学习重建方法的局限性。BREIT包括一种将CT/MRI扫描转换为电特性分布的方法，一个用于模拟MF-EIT电压的基于Python的求解器，以及一个支持非均匀电极布局的实现。该框架被用于开发dFNO-bar，一个集成了傅里叶神经算子和D-bar方法的模型，与现有技术相比，在脑卒中成…
-
论文探讨预条件梯度下降对神经网络学习机制的影响
本文研究了预条件梯度下降（PGD）方法（如高斯-牛顿法）如何影响谱偏差和神经网络中的“grokking”现象。研究人员提出，PGD可以减轻谱偏差，这种偏差通常导致网络首先学习低频特征，从而可能阻碍捕捉精细结构。研究表明，PGD还可以减少与“grokking”相关的延迟，这是一种假说认为在从神经切线核（NTK）过渡到丰富特征学习机制的过程中出现的延迟泛化效应。实验结果支持“grokking”代表这种过渡行为的观点，PGD能够实现参数空间…