Hamilton-Jacobi Theory and Superintegrable Systems
PulseAugur coverage of Hamilton-Jacobi Theory and Superintegrable Systems — every cluster mentioning Hamilton-Jacobi Theory and Superintegrable Systems across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
机器人获得语言条件安全过滤器，可实现自适应约束执行
研究人员开发了一种新的机器人安全过滤方法，该方法使用语言来指定约束。这种方法基于Hamilton-Jacobi理论，允许单一的安全执行器和评估器适应不同用户、环境和应用中的各种安全要求，而无需为每个新约束进行重新设计或重新学习。在抓取-放置、擦桌子和堆叠积木任务中的实验表明，这些语言条件安全过滤器减少了约束违反，并显示出在相似类别的新、未见过约束实例中转移的能力。
-
新研究增强了用于鲁棒强化学习和安全规划的扩散模型
研究人员正在开发新方法来提高扩散模型在强化学习和规划任务中的鲁棒性和安全性。一种方法是鲁棒正则化策略迭代（RRPI），它通过针对最坏情况动力学进行优化来解决转移不确定性，并在 D4RL 基准测试中表现出强劲的性能。另一组论文介绍了 Kolmogorov Regression 和 DiRecT 等技术，通过提高轨迹规律性来增强扩散策略，从而实现确定性故障检测，并在推理过程中强制执行安全约束，而不会过度约束采样过程。这些进展旨在使扩散模型…
-
将AI训练构建为Hamilton-Jacobi偏微分方程问题
研究人员已将神经网络训练构建为一个Hamilton-Jacobi初值问题。该框架将梯度下降步骤与求解粘性Hamilton-Jacobi方程联系起来，揭示了残差网络、Transformer和RNN等架构之间共享的数学结构。该方法为泛化率、对抗鲁棒性提供了见解，并提供了一个闭式影响函数。
-
新研究解决深度学习偏差、训练动态和可靠性问题
研究人员正在探索新的理论框架和实用方法来改进深度学习模型。一篇论文介绍了DISCO，一种通过估计条件距离相关性来减轻数据集偏差的技术，在各种数据集上的表现优于现有方法。另一项研究将神经网络训练视为一个Hamilton-Jacobi问题，将其与热带代数和偏微分方程联系起来，并提供了对泛化和鲁棒性的见解。此外，新的研究挑战了校准本身就能改善早期退出神经网络的假设，提出了一种考虑预测正确性和计算成本的替代方法。最后，研究正在调查深度网络在训…