Lyapunov function
PulseAugur coverage of Lyapunov function — every cluster mentioning Lyapunov function across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的镜像 Langevin 扩散提供收敛保证
研究人员引入了镜像 Langevin 扩散（MLD），一种在 Hessian 流形上内在运行 Langevin 扩散的方法。该研究探讨了 MLD 在何种条件下可以实现指数收敛到平衡态，特别是对于非强对数凹的概率密度。研究结果依赖于 Lyapunov 函数方法来建立 Poincaré 或 log-Sobolev 不等式的充分条件，进而保证指数收敛。此外，该论文提出了一种使用两步 Gibbs 采样器对 MLD 的马尔可夫链近似，这是 Si…
-
Lyapunov Guidance框架统一并稳定了生成流
研究人员引入了LyaGuide，一个利用Lyapunov控制理论统一并稳定生成流模型的新框架。该方法通过提供明确的稳定性保证，解决了现有启发式引导方法的局限性。LyaGuide建立了引导流匹配与Lyapunov控制之间的等价性，涵盖了分类器引导和奖励引导等各种引导策略。该框架支持模型驱动和数据驱动的设置，在各种实验中展示了样本质量、引导保真度和鲁棒性方面的一致改进。
-
新理论融合博弈论与自复制自动机
一篇题为“战略演化理论：内生博弈者与策略复制子博弈”的新论文综合了博弈论和自复制自动机理论。它引入了“内生博弈者博弈”（GEPs），其中谱系是主要的策略单位，并将“进化稳定智能分布”（ESDIs）定义为均衡概念。该论文提出，不受限制的自我修改会导致不稳定，因此在人工智能部署动态等系统中，需要有界的修改类别来实现稳定的对齐。
-
Lyapunov 框架增强了弱耦合 MDP 中的学习能力
研究人员开发了一个新颖的基于 Lyapunov 的框架，用于分析弱耦合马尔可夫决策过程 (WCMDP) 和无休止赌徒 (RB) 学习的样本复杂度。与朴素的约简方法相比，该方法提供了更有效的学习近最优策略的方法，实现了多项式样本和计算复杂度。该框架建立了具有改进最优性差距的有限样本 PAC 保证，并引入了对线性规划松弛的细粒度扰动分析作为一项关键技术贡献。