graph theory
PulseAugur coverage of graph theory — every cluster mentioning graph theory across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法利用图论系统性地分解复杂的LLM任务
提出了一种利用图论和约束满足原理系统性地分解复杂大型语言模型（LLM）任务的新方法。该方法旨在通过将大问题分解为更小、可管理的部分来提高LLM的性能。研究探讨了这种分解是否会影响LLM的创造能力。
-
AI代理声称在图论领域取得突破，系38年来首次改进
一个AI代理据称在图论领域取得了重大突破，构建了具有（8/5）log n周长的显式正则图。这是该领域38年来的首次改进，被认为是朝着实现此类构造的理论最大值迈出的重要一步。
-
AI 代理利用图谱记忆实现从网络安全到网站索引的多元化应用
来自 Mastodon 的 fosstodon.org 的几篇帖子讨论了 AI 代理和图谱记忆在各种应用中的使用。一篇帖子详细介绍了如何使用 FalkorDB 和图论连接 AI 系统中的故障、决策和依赖关系，另一篇则探讨了构建用于代理监督的 AI Supervisor。还介绍了一个名为 SentinelGraph 的网络安全代理，并讨论了为什么 ChatGPT 和 Perplexity 可能会忽略某些网站。
-
技术文章探讨 Base L2 上的零 Gas 代理
一篇技术文章草稿正在为 Dev.to/Paragraph.com 开发，重点关注 Base L2 上的零 Gas 自主代理和账户抽象。文章旨在面向 AI 工程师和 Web3 开发者，采用类似 Dan Luu 或 Paul Graham 的直接且基于实证的风格。文章将深入探讨 ERC-4337、paymaster 机制、bundler 以及 Base L2 的低 Gas 费等技术细节，同时讨论策略引擎和代理责任的复杂性。文章将包含使用 …
-
AI 解决了困扰数十年的图论猜想
一名本科生利用 GPT-5.6 Sol Max 解决了图论中两个长期存在的公开问题：Imbalance Conjecture 和 Teschner's Bondage-Number Conjecture。该学生独立验证了 AI 生成的证明和反例，并将它们作为预印本提交到 arXiv 和 Figshare。这些结果尚未经过同行评审，但展示了 AI 在高级数学研究中日益增长的能力。
-
拓扑数据分析提升网球比赛预测准确性
研究人员通过将拓扑数据分析和图论应用于2000-2025年的ATP单打比赛数据，开发了预测网球比赛结果的新方法。一种方法在球员竞争网络上使用低星过滤，通过持久同调提取拓扑特征。该方法结合图论和排名特征，使用随机森林模型达到了66.2%的准确率，表明拓扑特征为传统指标提供了互补信号。值得注意的是，仅基于拓扑的模型保持了63.56%的准确率，证明了仅使用网络衍生特征的力量。
-
警察与强盗图问题被重构为非确定性规划挑战
研究人员将图论中的“警察与强盗”问题重构为非确定性规划挑战。这种方法利用先进的规划器来确定给定图是否为“k-copwin”，即k名警察能否保证在有限步数内抓住一名强盗。该模型将警察的移动视为非确定性的，以考虑所有可能的策略，而强盗的移动被视为确定性的。该研究还纳入了图论文献中的几项变体。
-
深度强化学习增强船舶压载水管理
研究人员开发了RL-Ballast，一个新颖的深度强化学习框架，旨在提高船舶压载水管理系统的安全性和效率。该系统利用图论和深度强化学习来规划压载水传输的最佳路径，并预测潜在的堵塞，即使在传感器数据有限的情况下也能做到。与传统方法相比，RL-Ballast 在决策步骤上显著减少，并在识别堵塞阀门或管道段方面取得了高精度，表明其在提高自主航行中的操作安全性方面的潜力。
-
AI爱好者寻求关于意想不到话题的书籍推荐
一位 Mastodon 用户正在寻求书籍推荐，这些书籍曾带领他人走上意想不到的智力探索之路。提示中特别提到了 AI、提示工程和图论作为潜在的兴趣领域。用户正在寻找能激发好奇心和深入探索的引人入胜的读物。