Pareto efficiency
PulseAugur coverage of Pareto efficiency — every cluster mentioning Pareto efficiency across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架利用LLM为TinyML边缘设备选择可解释AI
研究人员开发了一个新的框架，用于为TinyML边缘设备选择可解释AI（XAI）方法，特别适用于临床应用。该框架利用大型语言模型（LLM）通过将定性利益相关者偏好映射到候选XAI方法来指导设计过程。然后，它采用基于Pareto的优化来揭示解释保真度、稳定性和部署成本之间的权衡，旨在识别资源受限环境下的高效解决方案。
-
不相关的科技新闻：三星 Fold 8 预购激增，讨论帕累托效率
该集群包含两条不相关的消息。第一条报道称，三星 Galaxy Z Fold 8 和 8 Ultra 在欧洲的预购量比 Z Fold 7 增长了 70%，使其成为该地区迄今为止预购量最大的折叠屏手机。第二条是关于一篇题为“马里奥遇见帕累托”的博文的链接，该博文讨论了帕累托效率的概念。
-
神经网络为bootstrap失效问题提供新方法
研究人员开发了一种新颖的摊销推断方法，使用神经网络来估计抽样分布，特别适用于传统Efron bootstrap方法失效的场景。这种新方法在模拟数据上进行训练，并利用pinball损失函数，可以从单个数据集中生成高精度的完整抽样分布估计。在估计极端分位数和尾部指数等各种具有挑战性的统计问题中，该方法与m-out-of-n bootstrap和子抽样等经典技术相比，表现出优越的性能。
-
新方法使用盒子分解计算连续积分R2指标
研究人员开发了一种计算连续积分R2指标的新方法，这是用于多目标优化和数据库天际线选择的经典R2指标的改进。该方法通过透视映射将计算转化为在锚定轴对齐盒子并集上的积分。这使得现有的超体积算法能够适应积分R2计算，提供与输出相关的计算复杂度。
-
新的自适应学习率增强了Follow-the-Perturbed-Leader算法
研究人员为在线学习中的Follow-the-Perturbed-Leader (FTPL)算法开发了一种新的自适应学习率方法。该方法引入了代理概率函数，能够在无需精确计算概率的情况下实现依赖于概率的自适应。该方法将Best-of-Both-Worlds保证扩展到具有Pareto扰动和专家建议设置的FTPL，并保持了FTPL的计算效率。
-
研究人员探索使用 ASP(Q) 查询不一致的优先级数据
研究人员开发了一种使用带量词的答案集编程 (ASP(Q)) 来管理不一致的优先级数据的新方法。该方法定义了三种类型的最优修复——帕累托最优、全局最优和完成最优——以根据其优先级处理冲突事实。该论文介绍了基于全局最优修复语义的首次实现以及一种称为接地语义的可处理的近似方法，实验结果证明了它们的可行性和影响。