NeurIPS

Context-weighted Discrete Flow Matching

上下文加权离散流匹配

Daniil Cherniavskii, Daniel Severo, Karen Ullrich

机构 * University of Amsterdam（阿姆斯特丹大学） ； Meta FAIR 纠错

AI总结 研究离散生成建模，提出对连续时间马尔可夫链的简单修改，通过上下文加权采样器和缩放交叉熵损失函数，纳入局部上下文信息，提高生成质量与训练效率，在质量上与强基线匹配且能任意顺序生成。

Comments Under review at NeurIPS 2026

New Complexity-Theoretic Frontiers of Tractability for Neural Network Training

神经网络训练可处理性的新复杂性理论前沿

Cornelius Brand, Robert Ganian, Mathis Rocton

机构 * Vienna University of Technology（维也纳工业大学） 纠错

AI总结 研究神经网络训练最优性的计算复杂性，针对线性和ReLU激活函数网络，给出新算法上界，确定ReLU网络隐藏神经元出度为1时多项式时间可处理，找到线性激活函数网络满足新条件时首个多项式时间可解类。

Comments Appeared in the proceedings of NeurIPS 2023

Exactly Minimax-Optimal Locally Differentially Private Sampling

精确的最小最大最优局部差分隐私采样

Hyun-Young Park, Shahab Asoodeh, Si-Hyeon Lee

机构 * School of Electrical Engineering, KAIST（韩国科学技术院电气工程学院） ； Department of Computing and Software, McMaster University（麦斯特大学计算机与软件系） 纠错

AI总结 本文提出了一种在局部差分隐私下精确最优的采样机制，通过f-散度度量效用，实现了有限和连续数据空间的最优隐私-效用权衡。

Comments 32 pages and 7 figures. Accepted by NeurIPS 2024