University of Cambridge（剑桥大学）

Multi-Headed Transformer Architectures as Time-dependent Wasserstein Gradient Flows

多头变压器架构作为时间依赖的Wasserstein梯度流

Alex Massucco, Leonardo Del Grande, Marcello Carioni, Christoph Brune, Carola-Bibiane Schönlieb

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） ； Department of Mathematics, University of Twente（数学系，埃因霍温理工大学） 纠错

AI总结 本文提出将多头变压器架构中的数据流建模为时间依赖的Wasserstein梯度流，以捕捉注意力机制的设计，并证明了在合适积分性假设下，梯度流的ω-极限集元素是交互能量的稳态点，同时分析了梯度流的稳定性，并通过数值实验验证了预测的能量耗散身份和动力学的渐近行为。

CMAD: Cooperative Multi-Agent Diffusion via Stochastic Optimal Control

CMAD：通过随机最优控制的协作多智能体扩散

Riccardo Barbano, Alexander Denker, Zeljko Kereta, Runchang Li, Francisco Vargas

机构 * University of Cambridge（剑桥大学） ； Xaira Technologies（Xaira技术公司） 纠错

AI总结 本文提出了一种新的框架，将多模型组合生成问题转化为协作随机最优控制问题，通过联合优化扩散轨迹来实现更有效的生成效果。

Efficient and Minimax Optimal In-context Nonparametric Regression with Transformers

高效且最优的基于上下文的非参数回归变换器

Michelle Ching, Ioana Popescu, Nico Smith, Tianyi Ma, William G. Underwood, Richard J. Samworth

机构 * Statistical Laboratory, University of Cambridge, Cambridge, UK（剑桥大学统计实验室，剑桥，英国） 纠错

AI总结 本文研究了基于上下文学习的非参数回归，针对α-Holder光滑回归函数，证明了使用预训练的变换器可以达到最优收敛率，且参数和预训练序列数量显著少于现有文献。

Comments 30 pages, 7 figures

Algorithms for Adaptive Experiments that Trade-off Statistical Analysis with Reward: Combining Uniform Random Assignment and Reward Maximization

适应性实验的算法：在统计分析与奖励之间进行权衡：结合均匀随机分配与奖励最大化

Tong Li, Jacob Nogas, Haochen Song, Anna Rafferty, Eric M. Schwartz, Audrey Durand, Harsh Kumar, Nina Deliu, Sofia S. Villar, Dehan Kong, Joseph J. Williams

机构 * University of Toronto（多伦多大学） ； Carleton College（卡洛尔学院） ； University of Michigan（密歇根大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种统计敏感算法TS-PostDiff，通过结合均匀随机分配和奖励最大化，在统计分析与用户奖励之间进行权衡，以提高实验效率和准确性。