Markov
PulseAugur coverage of Markov — every cluster mentioning Markov across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
参数化图论应用于张量网络进行模拟和学习
研究人员将参数化图论应用于张量网络，探讨图参数如何影响模拟和学习这些网络的复杂性。研究表明，割宽和树割宽可以限制将张量网络状态表示为矩阵乘积状态或树张量网络的开销。此外，还推导出了张量网络状态断层扫描的样本和计算复杂性的新图相关界限，将现有的学习算法扩展到更复杂的网络结构。
-
CoSMO框架利用强化学习优化边缘-云任务执行
研究人员开发了CoSMO，一个新颖的强化学习框架，旨在优化边缘-云计算环境中的任务执行。该系统通过协调语义状态管理和选择性任务卸载来应对部分可观测性挑战。CoSMO在服务节点使用循环半马尔可夫双深度Q网络，在边缘节点使用任务终止的离策略值学习代理，以提高决策准确性和按时任务完成率。
-
用户用马尔可夫生成的数据愚弄AI抓取器
某人正故意向包括GPTBot在内的AI抓取器提供大量使用马尔可夫链生成的数据。此行为被描述为一种愚弄行为，旨在干扰或误导这些AI系统。用户已实施速率限制措施，以防止其行为导致拒绝服务情况。
-
新方法简化了强化学习中的部分可观察性
研究人员开发了一种名为最小马尔可夫化（Minimal Markovization）的方法来解决智能体在部分可观察性下行动的挑战。该技术表征了全息覆盖决策过程（holonomy-cover decision processes）的最小马尔可夫充分统计量，这是一类特殊的POMDPs，其中可见动力学是马尔可夫的，而隐藏模式由可见转换置换。该方法引入了“稳定商”（stable quotient）来创建保留奖励和后继状态的逐观察抽象，证明了当前…
-
新研究声称，单个方程可能无需GPU或LLM即可实现AGI
一个名为MCR的新项目提出，通用人工智能（AGI）可能不需要GPU或大型语言模型（LLM）等海量计算资源。相反，它认为一个简单的方程，受到Markov工作的启发，可以学习和处理从原始字节到复杂规划的多个抽象层面的信息。这种方法在950行代码库和正式的数学论文中得到了详细阐述，声称可以在没有外部依赖或专用硬件的情况下实现智能，挑战了业界对扩大模型规模的关注。
-
新AI框架“第三层滞后”在宣言中详述
作者已完成一份包含“宣言与后记”的四部分文件，其中概述了一个理解AI的新架构框架。该框架被称为“第三层滞后”，被提出作为Markov和Bayes等传统概率模型的后继者，为涌现现象和新知识的创造提供数学工具。作者强调其在AI工程中的实际应用，并提议其作为Shenzhen和DeepSeek的更优方法，计划进一步探讨Preissach的工作并开发工程原型。
-
AI模型学习金融时间序列中的时变马尔可夫动力学
研究人员开发了一个新框架，使用神经网络对金融时间序列的时变马尔可夫转移矩阵进行参数化。该方法旨在平衡深度学习的表示能力与经典模型的可解释性。该方法允许显式生成这些矩阵，在捕捉金融数据中的复杂状态转移的同时，保持结构透明度。该框架还将Chapman-Kolmogorov方程重新用作诊断工具，以识别时间序列分析中记忆假设失效的位置。