实体
Parikshit Pareek
Parikshit Pareek
PulseAugur coverage of Parikshit Pareek — every cluster mentioning Parikshit Pareek across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新研究揭示了先验数据拟合网络中的谱结构
两篇新研究论文探讨了先验数据拟合网络（PFNs）的内部机制，这是一种表格基础模型。第一篇论文提供了机械证据，表明PFNs捕获与其上下文相关的谱结构，这些结构可以被解码为高斯过程回归的显式核。第二篇论文研究了PFNs如何摊销贝叶斯推理，发现它们通常能很好地恢复目标后验预测分布，但在罕见情况下可能表现出残差误差，这可以通过贝叶斯模型平均来缓解。
-
AI 进展改进潮流计算和可行性评估 · 跟踪 2 个来源
研究人员开发了两种新颖的 AI 方法用于电网潮流计算。一种方法，上下文白化 (ICW)，使用一种无梯度技术来使机器学习代理模型适应网络拓扑变化，与现有方法相比，显著提高了准确性和适应速度。另一种方法利用变分图自编码器 (VGAE) 来评估潮流解决方案的可行性和有效性，特别是对于 AI 驱动的求解器，填补了当前数据驱动潮流研究中的空白。
-
高斯过程为电力系统机器学习提供概率保证
研究人员开发了一个新的概率框架，使用高斯过程回归为电力系统中的机器学习模型提供正式的性能保证。该方法旨在解决在电压风险估计等安全关键应用中对置信度和可解释性的关键需求。该框架建立了估计误差的界限，将预测方差与风险评估的置信度联系起来，并确保与传统方法在统计上等效，同时显著降低计算成本。