Kansas
PulseAugur coverage of Kansas — every cluster mentioning Kansas across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Digital Realty 向美国和非洲的数据中心扩张投资 16 亿美元
Digital Realty 将通过一项 16.1 亿美元的投资，在三个关键领域扩展其数字基础设施。该公司将以 4.75 亿美元收购堪萨斯州 1,440 英亩土地，用于建设一个拥有高达 2.0 GW 的重要电力分配的超大规模数据中心园区，以解决传统市场的电力稀缺问题。此外，Digital Realty 将以 6.5 亿美元增持南非数据中心运营商 Teraco 的股份至 77%，巩固其在非洲数字生态系统中的地位。最后，该公司将以 4.8…
-
中国特高压输电建设规模远超美国
中国在输电线路开发方面，尤其是在特高压直流（UHVDC）技术方面，已远远领先于美国。中国已建成数千公里的特高压直流线路，包括世界上最长的线路，而美国仅增加了少量高压直流输电基础设施。中国在“十四五”期间进行了广泛的特高压项目，而美国仅有微小的增量且高压输电线路增长停滞，这凸显了这种差距。文章认为，虽然美国的法律和环境流程导致了差距，但两国电网发展过程中更深层次的结构和组织差异是更重要的因素。
-
印尼警方在巴厘岛走私案中救助21只海龟
印尼警方在巴厘岛成功破获了一个海龟走私团伙，救助了21只活体动物。此次行动于6月10日在佩加梅坦海岸进行，起因是当地居民举报了可疑的非法交易活动。当局逮捕了一名嫌疑人KS，他涉嫌协助分销这些受保护的海龟。目前调查仍在进行中，以抓捕走私网络的其他成员，被捕嫌疑人将面临印尼野生动物保护法规定的严厉法律处罚。
-
堪萨斯州居民在公共会议上表达对数据中心的担忧
堪萨斯州的居民正在对新建数据中心潜在的环境和社区影响表示担忧。这导致了公众在当地会议上的参与度增加，一些市民利用数据中心的话题来确保他们在更广泛的社区问题上的声音被听到。该州这些设施数量的增加正在助长这些讨论。
-
波音737大小的小行星2026 JH2将于5月18日飞掠地球
一颗新发现的近地小行星2026 JH2将于5月18日近距离飞掠地球，距离约为56,907英里。科学家估计该小行星的直径在52至114英尺之间，与波音737的翼展大小相当。虽然没有撞击的危险，但如此大小的天体发生的空爆可能会造成局部破坏。该小行星最近由使用Mount Lemmon Survey和Farpoint Observatory的天文学家发现。
-
KANs为低延迟系统实现超快片上在线学习
研究人员展示了使用Kolmogorov-Arnold网络（KANs）在现场可编程门阵列（FPGAs）上实现超快在线学习的能力。该方法在低延迟、资源受限的任务中，在效率和表达能力上均优于传统的Multi-Layer Perceptrons（MLPs），实现了亚微秒级的适应时间。研究强调了KANs对定点量化的鲁棒性及其稀疏更新特性，使其适用于量子计算和核聚变控制等高要求应用。
-
新AI方法提升时间序列预测的准确性和可解释性
研究人员引入了几种新的时间序列预测方法，旨在提高准确性和泛化能力。MeLISA是一种无潜在变量的自回归模型，可提高回溯效率和长视界统计准确性。Temporal Functional Circuits利用Kolmogorov-Arnold Networks (KANs)为预测提供忠实且与时间相关的解释。Dynamic Pattern Recalibration (DPR)提供了一种与骨干网络无关的令牌级重新校准机制，以适应不断变化的局部…
-
新的惩罚方法在不牺牲准确性的情况下增强了 KAN 的可解释性
研究人员为 Kolmogorov-Arnold Networks (KANs) 开发了一种新的曲率惩罚方法，以解决其激活函数中高曲率振荡的问题。该惩罚旨在提高 KANs 的可解释性，同时不牺牲其准确性。所提出的方法推导了一种与基无关的惩罚，并证明了其在创建更平滑激活方面的有效性，有望在科学机器学习中推进预测与洞察之间的平衡。
-
新研究详细介绍了深度KAN表示的Lipschitz乘积控制
研究人员开发了一种用于复杂函数深度Kolmogorov-Arnold网络（KAN）表示的方法，确保了逐层Lipschitz乘积控制。该方法保证了一个独立于输入维度的域敏感界限，对于标准操作简化为P(KAN) <= 1。研究结果填补了深度KAN堆栈Lipschitz控制方面的空白，并得到了实验验证的支持。
-
新研究探讨KAN通用性与基于高斯的网络稳定性
研究人员探讨了Kolmogorov-Arnold网络（KANs）的通用性，证明了单个非仿射边缘函数与仿射函数结合足以使深度KANs成为通用逼近器。进一步分析表明，对于具有恰好两层隐藏层的KANs，通用性取决于边缘函数的非多项式性质。此外，还引入了一种名为单位分割高斯KAN（PU-GKANs）的新变体，利用高斯基函数，与基于样条的激活函数相比，提高了稳定性和准确性。
-
KANs用于时间序列预测通过自相关重新引入频谱偏差
一篇新论文揭示，先前认为可以克服频谱偏差的Kolmogorov-Arnold网络（KANs），在处理时间序列数据时，由于时间自相关性，实际上会重新引入频谱偏差。研究人员发现，这种偏差随着自相关性的增加而加剧，可能阻碍KANs在时间序列预测中的表现。为了缓解这一问题，该研究提出使用离散余弦变换（DCT）对输入进行预处理，该方法在实证中显示出对低频偏好的显著降低。
-
KAConvNet将Kolmogorov-Arnold定理与CNN集成用于视觉任务
研究人员推出了一种新颖的卷积神经网络架构KAConvNet，它集成了Kolmogorov-Arnold表示定理。这种新方法旨在通过利用边缘上的可学习激活和节点上的求和来增强可解释性和效率，超越传统的MLP。KAConvNet在与当前的Vision Transformers和CNNs的竞争性性能方面表现出色，为计算机视觉任务提供了一个理论上可靠的替代方案。
-
DecompKAN模型提供透明、准确的长期时间序列预测
研究人员推出DecompKAN，这是一种新颖的长期时间序列预测架构，兼顾预测准确性和模型可解释性。该轻量级、无注意力机制的系统集成了趋势-残差分解、通道化切片和学习实例归一化与Kolmogorov-Arnold Networks (KANs)。KAN的边缘函数允许直接可视化学习到的1D标量函数，从而深入了解不同科学领域的复杂非线性。
-
LTBs-KAN 提供更快、更高效的 Kolmogorov-Arnold 网络
研究人员推出了 LTBs-KAN，这是一种新颖的 Kolmogorov-Arnold 网络 (KAN) 变体，旨在克服其前代产品的显著速度限制。这种新架构通过采用不同的基样条计算方法，摆脱了传统算法，实现了线性时间复杂度。此外，LTBs-KAN 通过矩阵分解减少了参数数量，同时又不影响性能，这在 MNIST 和 CIFAR-10 等数据集的实验中得到了证明。