实体
Gumbel-Sinkhorn
Gumbel-Sinkhorn
PulseAugur coverage of Gumbel-Sinkhorn — every cluster mentioning Gumbel-Sinkhorn across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的排列学习方法仅使用 N 个参数，优于 SoftSort
研究人员开发了一种新颖的排列学习方法，仅使用 N 个参数，显著降低了传统方法（如 Gumbel-Sinkhorn）的计算和内存成本。这项新技术通过迭代地重新排列索引并应用优化步骤来扩展 SoftSort 方法，从而提高了排序质量，尤其适用于多维数据。该方法提供了增强的可扩展性和效率，使其适用于大规模优化任务，例如“Self-Organizing Gaussians”。
-
新AI方法无监督地从结构中学习排列
研究人员开发了一种从结构化、无标签数据中学习排列的新方法，可应用于排序和拼图重建等任务。该方法利用了Gumbel-Sinkhorn算法的熵自适应公式，该公式根据分配的不确定性局部调整温度。这使得排列学习更加稳定和准确，尤其是在大规模和模糊的情况下，其性能优于固定温度方法。
-
深度学习革新晶体结构预测与分析
研究人员开发了新的深度学习方法用于晶体结构预测和分析。其中一种方法 CrystalX 使用深度学习自动化常规的 X 射线衍射分析，其性能优于现有的自动化方法，甚至能识别同行评审出版物中的错误。另一种方法采用图神经网络进行组合优化，通过高效地分配原子来预测晶体结构，在与商业求解器的竞争中表现出竞争力。