Jose Luis Lima De Jesus Silva
PulseAugur coverage of Jose Luis Lima De Jesus Silva — every cluster mentioning Jose Luis Lima De Jesus Silva across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架确立Navier-Stokes流的全局正则性
开发了一个新的计算机辅助框架，用于确立三维周期性Navier-Stokes流的全局正则性。该方法结合了有限参考轨迹和公共误差界限，在谱截断前保留了完整的非线性残差，并控制演化直到粘性衰减保证正则性。应用于各种流场已产生明确的扰动半径，并包括了超出标准标准的初始条件，通过参数均匀扩展涵盖了一系列非Beltrami Taylor-Green中心。该框架还通过广泛的配置数据和匹配的神经算子实验，将数学可观测量与谱传递和涡旋几何联系起来，展示…
-
Response Renormalization 改进了深度均衡模型的训练稳定性
研究人员开发了一个名为 Response Renormalization 的新框架，以提高深度均衡模型（DEQs）的训练稳定性。该方法解决了近奇异雅可比行列式的问题，该问题可能导致优化过程中梯度不可靠。通过选择性地提升伴随响应中的分母，该框架旨在控制放大而不过度抑制条件良好的敏感性，从而使参数更新更加可靠。
-
SILVA Networks 引入用于结构化隐式学习
研究人员引入了 SILVA Networks，这是一种旨在通过协调直接输入、局部结构和更广泛的上下文来处理复杂学习问题的 novel 架构。与传统的隐式神经网络层不同，SILVA 将这些影响分离到单个不动点架构内的不同组件中，从而能够更好地分析和可视化内部动态。该网络已通过应用于图像、分子和引用网络等各种数据类型证明了其多功能性，实验表明其交互项具有任务依赖性作用。
-
新型符号神经CPU增强AI模型可解释性
研究人员开发了一种迹监督符号神经CPU，旨在增强神经网络执行的可解释性。该架构结合了循环控制、可微分算术逻辑单元库和显式寄存器写回，可在每一步详细了解状态转换。该系统在非量化形式下能够精确重现参考执行，并且即使在八位量化下也能保留符号操作路径，解决了连续和低精度语义之间的数值漂移问题。
-
新的MARL框架提升网络安全响应安全性
研究人员开发了一种新颖的安全契约图多智能体强化学习（MARL）框架，命名为ACD$^3$-GAT，以提高自主网络安全响应系统的可部署性。与传统的仅基于奖励的MARL不同，该框架将运营预算与奖励分开，并纳入了约束优化和反事实动作筛选。在CAGE Challenge 4中的评估表明，无约束方法会持续违反停机时间预算，而提出的ACD$^3$-GAT和C-MAPPO-GAT方法显著降低了停机成本和违规率，显示出改进的运营纪律和安全性。