SGLD
PulseAugur coverage of SGLD — every cluster mentioning SGLD across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MiDShip数据集助力船舶货舱设计的AI应用
研究人员推出MiDShip，一个包含超过12,000个合成船舶货舱结构设计的新型多模态数据集。该数据集旨在通过连接几何形状、性能和基于规则的约束，弥合船舶结构设计中数据驱动方法在数据方面的不足。生成过程包括随机设计、受SGLD启发的程序以及LLM辅助的修复方法，评估结果显示设计合规性和效率显著提高。
-
正则化 JEM 模型显示 PC 和 SGLD 采样器之间性能无差异
研究人员调查了预测-校正器 (PC) 和随机梯度 Langevin 动力学 (SGLD) 这两种采样方法应用于 CIFAR-10 数据集上的正则化联合能量模型 (JEM) 时的性能。该研究旨在确定 PC 采样器是否能在统一分类和生成任务方面复制 SGLD 的理论优势。研究结果表明，在测试准确率和分布外检测方面，两种方法的性能几乎相同，PC 相对于 SGLD 并没有明显优势。研究还确定了两种失效模式：后期训练发散和分布外判别中的运行依赖动力学。
-
新的 RELTA-SGLD 方案稳定了随机梯度学习
研究人员推出了一种新的驯服方案 RELTA-SGLD，旨在稳定非凸设置下的随机梯度更新。该方法通过使用驯服激活阈值和用于确定驯服强度的相对增长原则，旨在减少不必要的学习漂移抑制。该方案被证明在 Fashion-MNIST 上提供多项式矩稳定性和一阶平稳精度，优于未驯服的 SGLD 和 TUSLA，同时与 AdamW 保持竞争力。
-
新的RELTA-SGLD方法稳定非凸学习的SGLD
研究人员开发了RELTA-SGLD，这是一种新颖的驯服方案，旨在稳定具有超线性增长的随机梯度Langevin动力学（SGLD）。该方法使用阈值激活驯服，并采用相对增长原则调整其强度，从而减少对学习漂移不必要的抑制。RELTA-SGLD通过为非凸SGLD提供更好的矩稳定性和平稳精度，优于现有方案，在Fashion-MNIST上表现优于未驯服的SGLD和TUSLA，并与AdamW保持竞争力。