Richard Cornelius SUWANDI
PulseAugur coverage of Richard Cornelius SUWANDI — every cluster mentioning Richard Cornelius SUWANDI across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新论文详细介绍了通用人工智能预测的理论极限
Richard Cornelius Suwandi 在 arXiv 上发表的一篇新论文探讨了通用预测代理的理论基础，特别是关注 Solomonoff 感知的近似。该研究深入研究了代理的预测器与其规划机制之间的反馈循环如何影响预测准确性。它量化了在可计算环境中过度预测错误的潜力，并为控制价值误差设定了界限，为理想化通用代理的实现提供了具体目标。
-
核自动研究为机器学习模型发现可复用的归纳偏置
研究人员开发了一种新颖的机器学习核发现方法——核自动研究（Kernaut）。Kernaut 将核设计视为一个开放式的模型发现过程，其中编码代理将核生成为程序，并通过构造契约确保其有效性。该方法利用质量-多样性档案存储具有不同行为的高性能核，并采用新颖性筛选来引导代理发现功能上新的候选核。实验表明，Kernaut 发现的核编码了可复用的归纳偏置，能够泛化到未见过的任务，在各种优化和酶动力学速率定律问题上优于元学习的深度核和传统基线。此外…
-
新研究提高了高维任务的贝叶斯优化效率 · 已追踪 2 个来源
两篇新研究论文介绍了提高高维和大型预算场景下贝叶斯优化（BO）效率的新方法。第一篇论文 GRAPE 通过改进局部梯度和使用面向进度的利用来显著加速对抗性攻击和 LLM 提示优化。第二篇论文 GSSBO 提出了一种基于梯度的样本选择策略，以降低 BO 中高斯过程拟合的计算成本，在计算成本降低的情况下实现了可比的优化性能。
-
香港中文大学（深圳）人工智能学院6篇论文被顶级机器学习会议ICML 2026接收
香港中文大学（深圳）的教授们有六篇研究论文被顶级机器学习会议ICML 2026接收。这些论文涵盖了大型语言模型的有效路由、风险感知推理和先进序列建模等领域。值得注意的是，一篇题为RACER的论文介绍了一种新颖的路由框架，旨在最小化推理成本并控制风险；另一篇题为B-PAC Reasoning的论文提供了一种在线方法，可实现具有性能损失保证控制的高效推理；第三篇题为MIMOMamba的论文提出了一种新的序列建模架构，可联合建模时域和跨通道交互。