NP-hard
PulseAugur coverage of NP-hard — every cluster mentioning NP-hard across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新理论以二次界限认证Transformer注意力机制
研究人员开发了一种新的圆锥规划理论,用于认证Transformer模型中的注意力机制。该理论解决了由于查询和键的变化交互而导致的输入扰动下注意力输出的NP-hard认证问题。新方法提供了一个误差以可计算量的二次方为界的认证,比线性传播方法提供了更紧密的界限。在GPT-2上的实验证明了该理论的有效性,在固定查询的情况下,实现了针对精确最坏情况的预测精度。
-
ORION LLM顾问优化6G网络切片放置
研究人员开发了ORION,这是一种新颖的基于LLM的顾问,旨在优化多域6G环境中网络切片的放置。该系统使用两个LLM代理将服务意图转化为放置计划,并采用协作式多智能体强化学习协调器。一项关键创新是ORION以结果为导向的经验记忆,它记录网络条件、提出的计划及其可行性结果,以适应和改进未来的放置。实验表明,与没有记忆的规划器相比,该记忆组件显著提高了接纳率。
-
AI研究论文探讨学习稳定性和强化学习的复杂性,同时讨论升温
近期两篇arXiv论文探讨了机器学习的理论基础。一篇论文研究了在梯度信息稀疏且间歇可用时学习算法的稳定性,提出除了无偏信用分配外,频繁且信息丰富的反馈至关重要。另一篇论文深入研究了具有转移前瞻的强化学习的计算复杂性,证明一步前瞻是可处理的,而两步或更多步则变为NP难。另一篇独立的评论文章讨论了围绕AI和LLM的两极分化的公众讨论,认为个人使用AI不应等同于企业滥用,并且“学习即盗窃”的概念被错误地应用于机器学习。
-
研究论文揭示硬优化问题算法收敛缓慢
一篇新的研究论文探讨了为硬优化问题(其中许多是NP-hard问题)设计的算法的收敛速度。该研究采用对随机实例的平均情况分析,表明虽然算法最终会达到理论预测的界限,但这种收敛可能极其缓慢。研究结果表明,即使渐近理论预测算法会失败,精巧的设计选择对于实际性能仍然至关重要,尤其是在中间问题领域。
-
AI研究:分析指令排序的复杂性
一篇新的研究论文探讨了当概念之间存在先决条件依赖时,指令排序的复杂性。该研究证明,随机性(或学习概念的成功概率)可以被消除,将问题简化为确定性的最短路径问题。然而,即使在简化条件下,找到最优序列仍然是NP难问题。该研究引入了一个可计算的诊断指标mΔ来界定排序的价值,并识别了近视排序可能导致重大遗憾的具体实例,而精确的A*搜索仍然高效。
-
机器学习加速硬件设计问题的SAT编码
研究人员开发了一个神经符号框架,以提高单常数乘法(SCM)问题的编码效率。该方法使用图神经网络来预测有效的运算符选择规则,显著减少了大型常数的编码时间和内存使用量。该方法在未见的17-32位常数上,编码时间减少了一到两个数量级,内存使用量减少了97%以上,同时保持了接近最优的编码质量。
-
新的CASP方法使用可验证证书来改进NP难优化问题
一篇新研究论文介绍了一种名为CASP(Certificate-Augmented Solution Pruning,证书增强型解剪枝)的方法,该方法旨在利用机器学习预测来提高解决NP难优化问题的效率。与依赖未经检查的预测的传统方法不同,CASP包含一个可靠的多项式时间验证器,无论预测质量如何,都能确保正确性。此验证过程限制了诱导损失,使得证书参数的学习所需样本量远少于未经验证的方法。实验表明,当使用训练好的预测器时,CASP不会损失最…
-
新算法学习用于最近邻搜索的最优数据结构
研究人员开发了一种新的最近邻搜索方法,专注于数据驱动的算法设计。该方法学习针对特定查询分布进行优化的数据结构,特别是针对平衡半空间树。虽然找到最优平衡半空间是计算上困难的(NP-hard),但所提出的算法提供了一种有效的解决方案,可以近似最优分割,即使没有强分布假设。
-
论文认为自然启发数学创新,证明了LLM规模的合理性
一篇新论文提出,人类的数学创新源于与自然世界的模式匹配,而非仅仅依靠纯粹的推理。作者认为,逻辑系统的复杂性和棘手性,即使是对于布尔可满足性问题这样的难题,也需要从物理学和生物学中汲取灵感。这一观点表明,大型语言模型的规模之所以合理,是因为它们能够嵌入广泛的跨领域模式,这与人类创造力所需的认知必要性相呼应。
-
人工智能需要自然的模式来进行数学创造,而不仅仅是逻辑
一项新假说提出,人类的数学推理,除了纯粹的演绎推理外,在根本上依赖于从外部领域(尤其是自然界)进行的模式匹配。这是因为纯粹的推理面临着不可判定性和计算棘手性带来的局限。历史上的例子,例如傅里叶变换的发展,说明了物理学问题如何激发了纯粹逻辑本身无法预见的数学创新。该论文认为,这种对受物理学启发的模式匹配的依赖是一种认知必需,这意味着旨在达到人类水平数学创造力的人工智能系统必须整合海量的跨领域模式,这证明了当前大型语言模型的规模是合理的。
-
机器学习提升NP难题的精确指数算法
研究人员开发了一种新颖的方法,通过结合机器学习预测来增强NP难题的精确指数时间算法。该方法增强了现有的子集选择问题的算法,表明即使是略好于随机的预测也能显著减小搜索空间并提高运行时间。这些算法的加速不需要通常假设的更强的预测要求,例如成对独立性,或者不需要知道预测器的确切准确性。