Sai Niranjan Ramachandran
PulseAugur coverage of Sai Niranjan Ramachandran — every cluster mentioning Sai Niranjan Ramachandran across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究发现算法做市商可能造成剧烈波动
一篇新论文提出了一种算法做市商在金融市场中产生剧烈波动的机制。该研究将做市商建模为使用一种随机梯度下降形式的代理,根据来自未知预言机的信息来调整订单簿价格。当多个具有不同信息视野的代理聚合时,这个过程会导致订单流中出现幂律衰减的记忆,进而驱动剧烈波动。该模型的预测通过模拟代理和来自Binance永续期货市场的约7.9亿笔订单得到了验证。
-
SGD 动力学被建模为渗透过程,并扩展到 Adam 和 AdamW
研究人员将随机梯度下降 (SGD) 的动力学建模为渗透过程,揭示了架构对称性如何导致子网络以离散块的形式合并。这些转变会导致方差激增,类似于物理相变。该研究进一步证明,当 Adam 和 AdamW 等优化算法受到重尾噪声影响时,这种捕获机制及其尺度级联也适用于它们。
-
机器学习论文统一决策树和扩散模型
一篇新机器学习论文提出决策树和扩散模型之间的数学联系,将全局轨迹得分匹配(GTSM)作为统一的优化原则。这项由 Sai Niranjan Ramachandran 和 Suvrit Sra 撰写的研究催生了实际应用,例如 \treeflow,它提供了改进的表格数据生成质量和速度,以及 \dsmtree,一种将分层逻辑转移到神经网络的方法。该研究已被 ICML 2026 录用。
-
从树到流再到树:统一决策树和扩散模型
研究人员在决策树和扩散模型之间建立了数学联系,揭示了一个称为全局轨迹分数匹配(GTSM)的共享优化原理。这种统一促成了\treeflow的开发,该模型以更高的保真度和2倍的速度生成表格数据。此外,一种称为\dsmtree的蒸馏方法将决策树逻辑转移到神经网络中,实现了与教师模型相当的性能。