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
-
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。