National Academy of Sciences
PulseAugur coverage of National Academy of Sciences — every cluster mentioning National Academy of Sciences across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
网络威胁日益针对物理基础设施，构成生命安全风险
最近在华盛顿特区举行的网络安全峰会强调了网络物理风险的不断升级的威胁，即网络事件直接影响物理系统和公共安全。政府、工程和网络安全领域的领导者讨论了公用事业和医疗保健等关键基础设施日益增长的连接性如何使这些系统容易受到破坏。专家警告说，人工智能的进步正在降低复杂网络攻击的门槛，而单一的漏洞可能导致众多设施遭受广泛的、聚合的损失，这对保险公司来说是一个重大挑战。
-
科技企业家利用人工智能管理家庭数据迁移和智能设备
一位科技爱好者和企业家详细介绍了他将人工智能融入家庭的经历，首先是将他的数字生活迁移到新的MacBook Pro。他利用人工智能助手Claude Code，管理了数十年的数据、软件配置和开发环境的复杂迁移，这比传统的迁移工具要复杂得多。这位人工智能助手不仅简化了数据迁移，还识别并解决了硬件问题并优化了性能，这促使用户探索更广泛的人工智能在家居自动化中的应用。
-
Norm Anchors 稳定 LLM 编辑，将可用周期延长 4 倍
研究人员开发了一种名为 Norm-Anchor Scaling (NAS) 的新技术，以提高大型语言模型中模型编辑的持久性。由于会放大范数增长的反馈循环，顺序模型编辑的现有方法会随着时间的推移而降低性能。NAS 通过将编辑后的值向量重新缩放到参考范数来解决此问题，从而有效地打破了循环。实验表明，NAS 将可用的编辑周期延长了四倍多，并在不显著影响单次编辑准确性或计算成本的情况下，将长期编辑性能平均提高了 72.2%。
-
LLM 通过新颖的基于 Delta 的代码生成加速神经架构搜索
研究人员正在探索使用大型语言模型 (LLM) 进行神经架构搜索 (NAS) 的新颖方法。一种名为 SPARK 的方法旨在通过显式选择功能因素进行修改来改进 LLM 知识集成，从而减少意外的副作用并提高效率。另一种技术，Delta-Code Generation，专注于微调 LLM 以生成紧凑的代码差异，以改进现有架构而不是从头开始生成它们，从而显著减少代码冗余和计算成本。一项调查还根据效率、鲁棒性和持续学习对 NAS 方法进行了分类，…
-
大语言模型通过生成和优化视觉模型代码来辅助神经架构搜索
研究人员开发了一个新颖的框架，利用大语言模型（LLMs）自动搜索视觉模型中的最优通道配置。该方法将神经架构搜索视为条件代码生成任务，LLM根据性能反馈优化架构规范。为了克服数据稀缺性，该系统通过抽象语法树变异生成了有效架构的语料库，使LLM能够学习架构模式。在CIFAR-100上的实验表明，这种由LLM驱动的方法改进了初始架构种群，发现了非标准通道宽度等领域特定的设计模式。
-
研究人员探索向量量化以实现高效神经网络压缩
研究人员开发了三种使用向量量化（VQ）压缩神经网络权重的技术。他们的方法使用余弦相似度进行分配，并通过直通估计器进行Top-1采样，以避免码本坍塌并实现端到端训练。他们还探索了使用可微分神经架构搜索来适应性地选择逐层量化设置以进行进一步优化。虽然不普遍优越，但该方法为基于VQ的压缩权衡提供了有价值的见解。