Software Scaffolding
PulseAugur coverage of Software Scaffolding — every cluster mentioning Software Scaffolding across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Scaffold 框架利用支持图论稀疏化 GNN
研究人员开发了 Scaffold，一个利用支持图论对图神经网络 (GNN) 进行稀疏化的新框架。该方法旨在通过移除边但保留关键通信路径来降低 GNN 的计算和内存成本。Scaffold 控制膨胀和拥塞以维持性能，在各种基准测试中，使用更少的边和更少的内存即可获得具有竞争力或更优的结果。
-
新的SCAFFOLD数据集训练AI理解计算机科学研究图和图表
研究人员推出了SCAFFOLD，这是一个新颖的数据集，旨在训练视觉语言模型理解计算机科学研究论文中的复杂图表。该数据集包含来自arXiv论文的图像、标题、上下文信息、问题、答案和逐步推理轨迹。SCAFFOLD有多种尺寸，最大的版本SCAFFOLD-157K包含来自3000多篇论文的近157,000个问答对。初步实验使用了较小的SCAFFOLD-12K数据集和Qwen2.5-VL-3B-Instruct模型。
-
新研究详细介绍了随机SCAFFOLD中的客户端无关偏差
一篇新发表在arXiv上的研究论文介绍了一种用于联邦学习的随机SCAFFOLD的新方法。该论文识别并量化了一个客户端无关的二阶平稳偏差分量，即使在客户端数量增加的情况下，这种偏差仍然存在。这种偏差源于梯度噪声和控制波动之间的相互作用，它们影响局部轨迹及其二阶矩，最终导致非二次目标的平稳均值偏差。研究结果得到了数值实验的支持，目前仅限于一维同质客户端设置。
-
联邦优化：边缘稳定性阻碍SCAFFOLD算法
一项新的研究论文提出，“边缘稳定性”（EoS）现象阻碍了SCAFFOLD算法在联邦优化中的性能。尽管SCAFFOLD在处理数据异质性方面具有理论优势，但实际上它通常表现不如更简单的FedAvg。研究表明，这是因为EoS动力学（以渐进锐化为特征）会损害SCAFFOLD准确估计全局梯度的能力，尤其是在高锐度水平下。
-
新的FDRMFL框架增强了在非独立同分布数据上的多模态联邦回归
研究人员推出了一种新颖的框架FDRMFL，专为联邦回归任务中的多模态特征提取而设计，特别解决了非独立同分布（non-IID）数据带来的挑战。该框架采用了一个包含四个项的局部目标函数：MSE预测损失、互信息代理、用于跨模态分布对齐的对称KL惩罚项，以及用于将局部表示锚定到全局共识的对比损失。在合成和真实世界数据集上的实验表明，FDRMFL的有效性，与PCA和VAE等传统方法相比，平均MSE显著降低，并且优于FedAvg和FedProx等…
-
FoggyTrust 利用分层信任网络增强联邦学习的鲁棒性
研究人员开发了 FoggyTrust，这是 FLTrust 框架的一种新颖的分层扩展，旨在增强联邦学习的鲁棒性。这种新方法将信任计算本地化到雾节点，从而在保持本地客户端组内鲁棒性的同时，更有效地处理全局异构数据。FoggyTrust 结合了基于信任的本地聚合和异构感知优化器（如 FedAdam 和 SCAFFOLD），在具有挑战性的异构数据集（如 CIFAR-10）上，尤其是在特定攻击下，表现出显著的性能提升。
-
Hugging Face 澄清 AI 智能体术语，OpenEnv 获社区支持
Hugging Face 发布了一份术语表，以澄清围绕 AI 智能体的术语，包括 harness 和 scaffold 等概念。此外，开源社区正在支持 OpenEnv，这是一个专为智能体强化学习设计的框架。
-
AI操作系统构建声明因提示长度和代理复杂性而受到质疑
最近一个关于AI通过单一提示构建操作系统的演示受到了质疑，对其真实复杂性和效率表示怀疑。批评者指出，“单一提示”实际上有数千行长，并且需要大量的努力和专门的代理基础设施，包括反作弊措施。这种方法对于通用软件工程任务的有效性仍不清楚，因为该系统可能已过拟合于此特定的操作系统创建任务。