Laplace operator
PulseAugur coverage of Laplace operator — every cluster mentioning Laplace operator across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的稀疏图方法使用哈密顿动力学进行多模态采样
研究人员开发了一种新颖的稀疏图方法，利用阻尼非局部哈密顿动力学将概率质量向多模态目标分布传输。该方法结合了对数平均迁移率和对称Lévy型相互作用权重，将演化的密度与边动量场联系起来。该方法提供了确定性的密度演化，成本与节点数量和长距离采样预算成线性关系，实验表明与现有基线相比，模式平衡得到改善，模式覆盖稳定。
-
Halo方法通过估计分布尺度来提高预测准确性
研究人员开发了一种名为Halo的方法，通过与位置参数一起估计分布的尺度参数来提高预测准确性。该方法重用了现有的深度预测器架构，并使用负对数似然目标进行训练，在各种模型和数据集上显示出均方误差（MSE）和平均绝对误差（MAE）的改进。研究发现，该方法的有效性主要取决于尺度估计，而不是尺度估计组件的具体架构，并且现有超参数通常可以重用。
-
新的图字典学习框架使用最优传输改进分类
研究人员开发了一个新的图字典学习（GDL）框架，该框架将图表示为从其滤波拉普拉斯算子导出的零均值高斯分布。该框架使用学习到的原子图的质心来近似观测到的图，并使用一种新颖的滤波器图距离（fGOT）度量进行测量。通过一种称为代理fGOT（sfGOT）的可处理近似来最小化重构误差，该近似通过反向传播进行端到端优化，并与Hilbert-Schmidt独立性准则相关联，以最大化节点谱嵌入之间的统计依赖性。实验表明，该方法在图聚类和分类任务中取得…
-
新研究使用群论和傅里叶分析定义函数平滑性
一篇新的研究论文在群论的背景下探讨了函数的“平滑性”概念，超越了其在实值函数中的传统定义。该研究提出，群 $G$ 的 $L^2(G)$ 中的平滑性与傅里叶系数在较低频率的集中度有关。这需要对不可约表示进行排序，而对于非阿贝尔群来说，这种排序是非规范的。该论文介绍了一种使用凯莱图拉普拉斯算子对这些表示进行排序的方法，定义了一个依赖于群及其生成集的排序函数。
-
新理论提出具备“心智理论”的LLM智能体用于6G网络
一篇新论文提出了一个理论框架，旨在使用大型语言模型（LLM）智能体来管理未来的6G网络。研究表明，智能体之间的消息应被视为推理的痕迹，而非客观事实，这需要智能体具备“心智理论”（ToM）来模拟彼此的信念和推理过程。这种方法旨在通过源自认知信道模型的五个设计原则，增强网络抵御AI幻觉导致的级联故障的韧性。
-
新研究提出面向6G网络的LLM智能体心智理论
一篇新研究论文提出了一个使用大型语言模型（LLM）智能体管理未来6G网络的框架。该论文介绍了用于弹性多智能体系统的五项原则，强调消息应被视为推理的痕迹而非客观事实。它建议，一种“心智理论”方法，即智能体模拟其同行的信念，对于防止由AI幻觉引起的级联故障至关重要。所提出的方法使用认知信噪比和蜂窝层模型来确保网络一致性和抗误导性。
-
新方法应对零样本图异常检测 · 2篇论文
两篇新研究论文提出了零样本图异常检测的新方法，这是一种旨在识别未见图数据中异常模式的技术。第一篇论文介绍了RINSE，一个无需目标标签或梯度即可估计目标正常性和表示校准的框架。第二篇论文提出了GAD-MoRE，它利用黎曼专家混合模型来模拟不同几何属性下的异常模式，并提高跨域泛化能力。两种方法在零样本设置下均表现出优于现有方法的性能。
-
新框架将CNN信息力学与物理方程统一
本文介绍了一个统一的数学框架，用于模拟卷积神经网络（CNN）内部的信息传播，旨在弥合物理空间和信息空间之间的差距。它建立了CNN中离散滤波器对称性与相对论能量-动量关系之间的对应关系，其中对称分量充当静止能量，反对称分量充当动量。该框架展示了重复滤波如何导致高斯尺度空间和尺度不变特征，这些特征在结构上与热方程、薛定谔方程和弗里德曼方程相似，并在各种物理尺度上揭示了涌现的莫尔斯拓扑结构。
-
两篇arXiv论文推进算子学习和TAMP
arXiv上的两篇新研究论文探讨了算子学习和任务与运动规划（TAMP）的进展。第一篇论文介绍了一种新颖的神经算子架构，可以在不依赖训练数据的情况下强制执行齐次狄利克雷边界条件，使其适用于通用几何形状和任意网格数据。第二篇论文提出了一个用于任务与运动规划（TAMP）中学习算子的系统，该系统可自动生成宏算子，将重复的动作序列压缩为单个规划步骤，从而显著加快规划速度并能够解决更长、更复杂的任务。
-
新研究将动力学模型应用于真实世界强化学习的离线超参数选择
一篇新研究论文探讨了在真实世界强化学习（RL）应用中使用动力学模型进行离线超参数选择。该研究展示了这些模型在工业环境中的首次应用，具体是在一个市政水处理厂，使用了高维、非平稳的传感器数据。研究结果表明，校准模型可以生成逼真的长时序回滚，并识别有意义的超参数敏感性趋势，为RL在实际环境中的部署提供了概念验证，同时也指出了挑战。
-
Lapis 尖峰注意力机制降低了 vision transformers 的能耗
研究人员推出 Lapis，一种专为尖峰 vision transformers 设计的新型尖峰注意力机制。该新方法根据其查询和键的首次尖峰延迟向量之间的 L1 距离对 token 对进行评分，并通过拉普拉斯核映射此距离。Lapis 旨在通过降低注意力机制的计算成本来提高效率，在 CIFAR-10 和 ImageNet-1K 等基准测试中实现高精度，同时与传统的密集点积注意力相比显著降低了能耗。
-
新的非线性拉普拉斯算子增强了用于有向符号数据的图神经网络
研究人员开发了一种新的非线性拉普拉斯算子，称为 NLSD，专门用于有向符号图。该算子通过计算特定于节点的势能，并仅在势能差异与边的方向一致的边上利用消息传递技术，来扩展现有的有向和符号图概念。基于该算子的 NLSD-GNN 框架在各种数据集的节点分类和链接预测任务中表现出卓越的性能，有效地整合了符号和方向信息。
-
新算法简化了大规模网络分析的图节点选择
研究人员开发了一种从大型图中选择代表性节点的新算法，这是网络分析中的一项关键任务。这种称为“通过贪婪采样实现可扩展图核心集选择”的方法，无需完整的图拉普拉斯矩阵，使其适用于海量数据集。该算法基于最小内积规则迭代选择节点，仅需要访问拉普拉斯矩阵的子集列，并避免了计算密集型的特征分解或全局图遍历。在随机块模型下的理论分析表明，采样与簇大小成正比，并且对于带限图信号的误差可控，数值实验证实了其在合成和真实世界数据上的有效性。
-
PoseAlign 方法增强了文本引导的 3D 网格变形
研究人员推出了一种新颖的文本引导 3D 网格变形方法 PoseAlign，旨在提高对文本提示的遵循度和原始网格姿势的保持度。该技术将变形过程分解为两个阶段：全局姿势缩放和局部细节雕刻。PoseAlign 利用基于拉普拉斯算子的可微分网格表示来实现更平滑的全局变形，并采用一种新的姿势对齐分数蒸馏采样 (SDS) 损失和注意力共享机制来雕刻精细的几何细节，同时保持原始姿势。实验表明，PoseAlign 在姿势保持和文本对齐之间取得了更好的…
-
新的采样方法提高了复杂分布的效率 · 跟踪 2 个来源
研究人员开发了一种名为 Gradient-free Riemannian Langevin Sampler (GRiLS) 的新方法，以提高多模态概率分布采样的效率。该方法旨在克服标准马尔可夫链蒙特卡洛方法在混合不良和模式陷阱方面的局限性。GRiLS 利用黎曼度量重塑局部几何形状，促进模式之间的转换，而无需对目标密度进行梯度评估，使其适用于复杂的计算目标。此外，另一篇论文探讨了通用空间上的快速行列式采样，为数据集表示提供了基于核的方法…
-
新求解器加速图 $p$-拉普拉斯半监督学习
研究人员开发了一种新颖的图 $p$-拉普拉斯半监督学习求解器，该求解器实现了近线性时间复杂度。这种新方法解决了现有求解器的局限性，尤其是在 $p$ 值较高时系统可能变得病态的问题。通过在 $p$ 中采用连续性方法和阻尼弦牛顿法，该求解器保持了良态系统，与直接分解方法相比，实现了显著的加速和更低的内存使用。该方法在大规模图族和 MNIST 等基准数据集上表现出改进的性能，优于标准的二次方 ($p=2$) 方法。
-
新的谱稀疏化方法提高了图模型的准确性
研究人员开发了新的方法 Spectral-LCGGM 和 Spectral-HR，以提高拉普拉斯约束高斯和 Hüsler-Reiss 图模型的准确性和可扩展性。这些模型用于图信号处理和极值依赖建模等领域。新技术采用谱图稀疏化作为后估计步骤，创建比原始模型稀疏但与原始模型在谱上接近的拉普拉斯估计，从而提高密集图估计的可解释性和性能。
-
量子核方法在SAR海上目标分类方面显示出潜力
研究人员正在探索使用量子机器学习方法对合成孔径雷达（SAR）图像中的目标进行分类，特别是用于识别非法捕鱼船只。一项研究发现，量子核方法（QKMs）应用于真实的SAR数据时，其性能可与经典核方法相媲美，尽管它们在处理复杂数据时遇到困难。另一篇论文研究了受量子原理启发的张量网络，用于鲁棒且可扩展的SAR目标分类，并强调了它们对数据投毒的抵抗能力以及在边缘设备的效率。
-
共享核小波神经网络实现实时泊松图像重建
研究人员开发了一种新颖的共享核小波神经网络，用于泊松图像重建。该方法利用图像的稀疏拉普拉斯场来表示图像，通过求解泊松方程实现精确重建。所提出的网络拥有不到0.0002百万的紧凑参数量，具有线性计算复杂度以实现实时性能，并且比现有技术具有更高的准确性。