Linc Deep Learning
PulseAugur coverage of Linc Deep Learning — every cluster mentioning Linc Deep Learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的Type-6逻辑旨在验证LLM的思维链推理
研究人员引入了Type-6逻辑，这是一种新颖的动态认知逻辑变体，用于更好地建模和验证大型语言模型（LLM）的思维链（CoT）推理过程。这种新逻辑包含了不确定性和递归的算子，使其能够识别常见的LLM推理缺陷，如不正确的声明和修订。基于Type-6逻辑的验证器已被开发并测试了LLM生成的CoT，证明了其在检测结构上不健全的推理步骤和提供模型思维过程可视化方面的有效性。研究发现，派生出的矛盾是CoT中最常见的失败，并且与其他人为判断相比，T…
-
新方法LiNC提高了在有噪声医学图像上的机器学习准确性
研究人员开发了一种名为轻量级噪声校正（LiNC）的新方法，以提高在有噪声医学成像数据集上训练的机器学习模型的准确性。LiNC为每个样本引入了一个可训练的“信任度”参数，允许模型学习是依赖提供的标签还是依赖自身的预测。通过分析这些信任度值，LiNC可以识别有噪声的样本并应用校正，在MedMNISTv2基准测试中，即使标签噪声高达50%，也能持续提高准确性。
-
LINC架构提高了CVRPTW、TSP和CVRP的路由求解器性能
研究人员推出了一种用于构造性神经网络路由求解器的新型架构LINC（Local Inference via Normed Comparison，通过范数比较进行局部推理）。LINC明确计算诸如行程和容量变化等一步后果，将其与隐藏匹配过程解耦。该方法旨在提高复杂路由问题的性能，在时间窗车辆路径问题（CVRPTW）、车辆路径问题（CVRP）和旅行商问题（TSP）的解隙方面显著减小即证明了这一点。