高校专区
通过儿童自我中心输入进行持续的视觉与语言学习
机构 * Agentic Learning AI Lab, New York University（代理学习人工智能实验室，纽约大学） ； Department of Psychology, Princeton University（心理学系，普林斯顿大学）
AI总结 提出BabyCL持续多模态学习框架，在单一时间顺序处理SAYCam数据集，通过流式视觉表示学习和图像-文本对比目标，在SAYCam Labeled-S 4AFC基准上优于流式学习基线，缩小了与离线训练上限的差距。
Comments 15 pages, 4 figures
UMAP中的样本外嵌入
机构 * Media Lab, Massachusetts Institute of Technology（媒体实验室，麻省理工学院） ； Electrical and Computer Engineering, Princeton University（电子与计算机工程，普林斯顿大学）
AI总结 针对UMAP在添加新样本时产生的排斥效应，通过优化原始k近邻图中的成对交互，提出参数化UMAP方法以改善嵌入质量。
Comments 22 pages, 16 figures
DLLG: 大语言模型专家的动态logit级门控
机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学）
AI总结 提出DLLG框架，通过轻量级门控模块学习token级专家融合权重，利用稀疏的响应级监督实现动态logit级集成，无需token级标签或专家重训练，在推理和代码基准上优于路由、启发式集成和参数合并方法。
自蒸馏策略梯度
机构 * Department of Computer Science, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校计算机科学系） ； Princeton AI Laboratory, Princeton University, Princeton, NJ, USA（普林斯顿大学普林斯顿AI实验室）
AI总结 提出SDPG框架，结合组相对验证器优势、归一化标准差、精确全词汇在线自蒸馏和参考策略KL正则化，提升稀疏奖励强化学习的稳定性和性能。
q0: 超周期预训练的原语
机构 * Q Labs（Q实验室） ； Princeton University（普林斯顿大学）
AI总结 针对多周期训练中单模型性能饱和的问题，提出超周期预训练（q0）方法，通过循环调度、链式蒸馏和学习先验三个原语，从多周期预算中生成多样化模型群体并聚合其预测，显著提升数据效率。
Comments 22 pages, 5 figures
使用约束引导的多智能体系统解决斑马谜题
机构 * Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学）
AI总结 提出一种多智能体系统ZPS，结合大语言模型与定理证明器，通过分解问题、生成SMT代码和智能体间反馈，显著提升复杂逻辑谜题的解决能力。
策略优化在零和线性二次博弈中可证明收敛至纳什均衡
机构 * Department of Electrical and Computer Engineering & Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子工程与协调科学实验室部门） ； Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系）
AI总结 本文研究了策略优化在零和线性二次博弈中寻找纳什均衡的全局收敛性，通过分析LQ博弈的优化景观，证明了线性反馈控制策略的 stationary 点构成博弈的纳什均衡，并提出三种保证收敛到纳什均衡的投影嵌套梯度方法，同时展示了这些算法具有全局次线性和局部线性收敛率。
Comments Fixed some typos, addressed some comments from NeurIPS reviews
PAC-Bayes 控制：学习能够证明在新环境中泛化的能力的策略
机构 * Department of Mechanical and Aerospace Engineering（1,2 机械与航空航天工程系） ； Department of Computer Science Princeton University（3 计算机科学系 纽约大学普林斯顿分校）
AI总结 本文提出了一种基于PAC-Bayes框架的机器人策略学习方法，通过在新环境中泛化能力的理论分析，为机器人系统提供强泛化保证。
Comments Extended version of paper presented at the 2018 Conference on Robot Learning (CoRL)
利用深度学习解决高维偏微分方程
机构 * Program in Applied and Computational Mathematics, Princeton University（普林斯顿大学应用与计算数学项目） ； Department of Mathematics, Princeton University（普林斯顿大学数学系） ； Beijing Institute of Big Data Research, Beijing（北京大数据研究院）
AI总结 本文提出了一种基于深度学习的方法，用于解决高维抛物型偏微分方程，通过将偏微分方程转化为反向随机微分方程，并利用神经网络近似未知解的梯度，有效提高了高维问题的准确性和效率。
Comments 13 pages, 6 figures
Journal ref Proceedings of the National Academy of Sciences, 115(34), 8505-8510 (2018)
基于机器学习的近似算法用于高维非线性偏微分方程和二阶反向随机微分方程
机构 * ETH Zurich（苏黎世联邦理工学院） ； Beijing Institute of Big Data Research（北京大数据研究院） ； Princeton University（普林斯顿大学） ； Peking University（北京大学）
AI总结 本文提出了一种基于机器学习的高维非线性二阶偏微分方程的求解方法，通过将非线性偏微分方程与二阶反向随机微分方程联系起来，并利用深度神经网络进行空间近似和随机梯度下降优化，展示了该方法在高维Black-Scholes-Barenblatt方程、Hamilton-Jacobi-Bellman方程和非线性期望问题中的高效性和准确性。
Comments 56 pages, 12 figures
Journal ref J. Nonlinear Sci. 29, 1563-1619 (2019)
基于深度学习的高维抛物型偏微分方程和反向随机微分方程的数值方法
机构 * Beijing Institute of Big Data Research (China)（北京大数据研究院（中国）） ； Princeton University (USA)（普林斯顿大学（美国）） ； Peking University (China)（北京大学（中国）） ； ETH Zurich (Switzerland)（苏黎世联邦理工学院（瑞士））
AI总结 本文提出了一种基于深度学习的算法，通过将反向随机微分方程与强化学习类比，利用解的梯度作为策略函数，采用神经网络近似策略函数，有效解决了高维非线性偏微分方程和反向随机微分方程的问题。
Comments 39 pages, 15 figures
Journal ref Commun. Math. Stat. 5, 349-380 (2017)
梯度下降与随机初始化：非凸相位恢复的快速全局收敛性
机构 * Department of Electrical Engineering, Princeton University（普林斯顿大学电气工程系） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） ； Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系）
AI总结 本文研究了通过二次方程恢复目标对象的问题，证明了在高斯设计下，随机初始化的梯度下降能在O(log n + log(1/ε))次迭代中获得ε精度的解，从而实现了计算和样本复杂度的近最优性，为相位恢复提供了首个无需精心设计初始化、样本分割或复杂鞍点逃离方案的全局收敛保证。
Comments Accepted to Mathematical Programming
Journal ref Mathematical Programming 2019, Volume 176, Issue 1-2, 5-37
全局优化的极小值分布
机构 * Department of Chemistry, Princeton University（普林斯顿大学化学系）
AI总结 本文研究了任意连续函数在紧集上的极小值分布问题，提出了一种新的极小值分布函数构造方法，并建立了与目标函数和紧集相关的单调收敛序列，最终确定了连续可微函数的极小值集收缩率。
Comments 19 pages, 6 figures
一种用于非线性流形可解释沉浸与嵌入的离散经验插值方法
机构 * Mechanical and Aerospace Engineering, Princeton University（普林斯顿大学机械与航空航天工程系）
AI总结 本文提出了一种扩展的离散经验插值方法（DEIM），用于在非线性流形上进行可解释的沉浸与嵌入，通过同时应用 pivoted QR 过程于局部线性近似块，实现一种新的同时 pivoted QR（SimPQR）算法，从而在真实数据中有效应用非线性 DEIM（NLDEIM）坐标。
Comments Minor typos corrected in version 2
基于信息瓶颈的任务驱动估计与控制
机构 * Princeton University（普林斯顿大学）
AI总结 本文提出了一种基于信息瓶颈理论的任务驱动估计与控制框架，通过任务相关的变量构建高效表示，并设计了在线算法进行状态估计以实现鲁棒的控制策略。
Comments 9 pages, 4 figures, abridged version accepted to ICRA2019; Incorporates changes in final conference submission
对抗性扰动下的在线控制
机构 * Google AI Princeton（谷歌AI普林斯顿） ； Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； Allen School of Computer Science and Engineering（阿伦计算机科学与工程学院）
AI总结 本文研究了在存在对抗性扰动的线性动态系统中的在线控制问题，提出了一种高效的算法，该算法在几乎紧致的 regret 绑定下实现了接近全知扰动的控制效果，同时扩展了先前工作的两个主要方面：允许动态中的对抗性噪声和一般的凸成本。
一种适用于使用简单傅里叶变换重建信号的通用采样方法
机构 * Tel Aviv University（特拉维夫大学） ； EPFL（瑞士联邦理工学院） ； Microsoft Research（微软研究院） ； Princeton University（普林斯顿大学） ； Google Research（谷歌研究院）
AI总结 本文提出了一种通用采样方法，用于通过少量离散样本重建连续信号，该方法基于信号的傅里叶结构约束，并展示了其在多带信号重建和高斯过程回归等任务中的有效性。
谱滤波用于通用线性动态系统
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Google Brain（谷歌大脑） ； Department of Mathematics, Princeton University（普林斯顿大学数学系）
AI总结 本文提出一种多项式时间算法，用于学习无系统识别假设的隐状态线性动态系统，无需假设系统转移矩阵的谱半径。该算法扩展了谱滤波技术，通过新的凸松弛方法高效识别相位。
基于信标参考的循环追捕运动
机构 * Electrical and Computer Engineering Department, United States Naval Academy, Annapolis, MD 21402, USA（美国海军学院电气与计算机工程系） ； Department of Mechanical and Aerospace Engineering, Princeton University, Princeton, NJ 08544, USA（普林斯顿大学机械与航空航天工程系）
AI总结 本文提出基于信标参考的循环追捕法则，通过引入静止信标作为额外参考，研究集体机器人在循环框架下的环形运动均衡及稳定性，推导了参数选择的必要条件，并探讨了保持集体纯形状的不变流形。
可证明的非负矩阵分解交替梯度下降法用于强相关性情况
机构 * Princeton University（普林斯顿大学）
AI总结 本文提出了一种简单的交替梯度下降算法，证明在强相关性下能有效恢复真实特征矩阵，并展示了其在噪声下的鲁棒性。
Comments Accepted to the International Conference on Machine Learning (ICML), 2017
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈