Swish
PulseAugur coverage of Swish — every cluster mentioning Swish across labs, papers, and developer communities, ranked by signal.
- 2026-11-13 partnership Swish and Inet have partnered to enable AI to manage online purchasing processes. 来源
4 天有情绪数据
-
瑞典零售商 Inet 试点自主 AI 代理用于电子商务销售
瑞典电子商务零售商 Inet 已成功通过自主 AI 代理处理了超过 20 个客户订单,这标志着将 AI 整合到在线购物中的重要一步。这一新的销售渠道利用模型上下文协议 (MCP),允许 AI 助手直接与电子商务平台交互,进行产品搜索、构建购物车和发起购买。尽管初步测试显示存在一些限制,例如固定的送货地址和本地身份验证要求,但 Inet 计划随着技术的进步和订单量的增加来解决这些问题。
-
Swish 和 Inet 合作,让 AI 处理在线购买
Swish 和电子产品零售商 Inet 已合作开发出一种解决方案,允许 AI 处理大部分在线购买流程。此次集成旨在通过让 AI 管理产品搜索和订单下达来简化客户体验,并由 Swish 提供支付便利。
-
AI代理接受了自主电子商务和Swish支付测试
一位瑞典记者测试了一个新的自主AI交易代理,该代理集成了电子商务平台Inet和支付服务Swish。该代理在家中进行控制,用于压力测试该系统在现实世界中的能力。实验旨在确定AI交易功能是否是一项可行的服务,还是仅仅是一次技术演示,结果直接发送到记者的移动设备上。
-
瑞典完成首笔由自主 AI 代理完成的电子商务购买
Inet 和 Swish 已成功完成了瑞典首笔完全由自主 AI 代理管理的购买交易。该 AI 代理(识别为 Claude)的任务是在 Inet 的电子商务平台上查找 USB-C 线缆,选择配送选项,并通过 Swish 发起支付流程。这标志着代理式商务迈出了重要一步,在代理式商务中,AI 代理只需客户最终批准即可处理完整的订单流程。
-
窄神经网络在宽度为4时实现图灵完备性
研究人员证明了宽度为4的迭代窄神经网络可以实现图灵完备性。这意味着这些网络在迭代时可以模拟任何确定性图灵机。研究表明,这些网络的到达性复杂性跨越了整个计算层次结构,从NP-完全问题到不可判定的RE-完全问题,具体取决于时间界限。此外,将网络宽度扩展到6,可以使用各种常见的平滑激活函数实现类似的计算能力,并且这种复杂性也转移到了离散化的神经常微分方程。
-
研究发现:神经网络中的激活偏差会影响学习动态
一篇新发表在arXiv上的研究论文探讨了神经网络中“激活偏差”的概念,即ReLU、GELU、Swish和Sigmoid等常用激活函数主要产生正输出的现象。研究表明,虽然这种偏差最初可以加速损失的减少,但会导致学习轨迹不稳定,并且损失曲面更陡峭。相反,减少激活偏差会减慢初始学习速度,但在较大的视觉和语言模型中会带来更好的最终性能和改进的后期结果。研究结果表明,激活偏差是设计未来激活函数时应考虑的一个重要因素。
-
新的SG-Blend激活函数提高了神经网络的鲁棒性
研究人员推出了一种新颖的自适应激活函数SG-Blend,旨在改善神经网络表示。SG-Blend在Swish和GELU激活函数之间进行插值,允许每一层学习其在该连续体上的最佳位置。这种方法在BERT风格的IMDB分类任务上显示出较低的方差并保持了峰值准确率,同时在WikiText103的自回归预训练中也实现了较低的验证困惑度。该方法的有效性超出了自然语言处理的范畴,在计算机视觉和其他领域也显示出鲁棒的泛化能力。
-
AI 安全初创公司 AIR 为代理审查平台融资 5000 万美元
AI 安全初创公司 AIR 已完成两轮种子融资,共计 5000 万美元,用于开发一个监控 AI 代理所使用的软件供应链的平台。AIR 由前以色列情报官员创立,旨在为公司提供工具,以发现 AI 代理、审查其技能和插件,并阻止未经批准的交互。该公司平台还包括一个经过审查的插件和技能市场,以满足随着 AI 代理对公司系统访问权限的增加而日益增长的安全监督需求。
-
提出 GELU 和其他激活函数的新结构化解释
研究人员提出了一种对 GELU、ReLU、SiLU/Swish 和 hard swish 等激活函数的新结构化解释。这项工作将 GELU 不仅仅视为随机门输出,而是通过高斯互补一阶损失函数来理解。这种视角可以推广到一系列阈值传输激活,为理解它们的行为提供了新的途径。在视觉和语言模型上的实验表明,校准或学习的统一阈值门可以与现有激活函数竞争或超越它们。
-
新算法为非线性人工智能模型提供鲁棒学习能力
研究人员开发了一种新颖的算法,即使在面对重尾噪声和对抗性破坏时,也能鲁棒地学习高斯单索引模型(SIMs)。该新方法首次为广泛的非线性SIMs提供了鲁棒恢复保证,包括那些具有非单调链接函数(如GeLU和Swish)的模型,这些模型在现代神经网络架构中很常见。该算法围绕真实参数建立了一个与维度无关的凸盆地,通过谱初始化和后续的鲁棒梯度下降实现高效恢复,以近线性时间复杂度实现了O(σ√ε)的估计误差。
-
论文分析浮点神经网络的表达能力
研究人员发表了一篇论文,探讨了使用浮点算术运算的神经网络的表达能力,超越了假设精确实数的理论模型。该研究引入了一个框架来分析任意归约顺序和不精确激活实现如何影响网络的函数表示能力。这项工作确立了浮点神经网络能够实现通用表示的条件,将先前的发现扩展到更广泛的实际激活函数。
-
新方法保护嵌入式神经网络免受计时攻击
研究人员开发了一种新的嵌入式神经网络激活函数实现方法,可防止通过计时侧信道泄露信息。该方法通过采用无分支选择和固定成本近似等技术,确保所有输入的执行时间一致,而与所使用的具体激活函数无关。在带有常见激活函数的 ARM Cortex-M4 平台上进行测试,受保护的实现获得了相同的周期计数,同时保持了高数值精度,为安全的嵌入式推理提供了一个实用的解决方案。
-
神经网络实现超快收敛,并用浮点运算表示复杂函数
两篇新的arXiv论文探讨了神经网络收敛和表示能力的理论方面。第一篇论文证明,在特定条件下,包括硬间隔场景,神经网络分类器可以为各种激活函数实现超快收敛速率。第二篇论文研究了浮点网络的表示能力,表明它们可以使用自动微分来近似函数值和梯度,即使在实际的激活函数和有限精度算术下也是如此。
-
研究人员改进激活函数以处理神经网络中的缺失数据
研究人员开发了一种名为三通道自适应激活函数(3C-EA)的新方法,以应对机器学习中处理缺失数据所面临的挑战。与传统的激活函数不同,3C-EA将缺失指示和插补置信度分数直接纳入激活过程。该方法结合通道传播(ChannelProp)算法将这些信号在网络中传播,旨在通过保留可靠性信息来提高分类性能。