09:45arXiv cs.LG@Philipp Kern, László Antal, Erika Ábráham, Carsten SinzSLiR是一种新的神经网络验证方法,仅需Lipschitz常数或临界点即可为任意激活函数生成线性松弛。该方法通过参数化斜率和移位过程确保上界和下界的正确性。实验表明,在多种实际激活函数上,SLiR生成的松弛更紧,可验证的属性数量比现有方法最多提升7.8倍。论文SLiR神经网络验证激活函数线性松弛Lipschitz常数推荐理由:SLiR让验证任意激活函数变得简单,比现有方法多验证近8倍属性,做神经网络安全的可以看看。原文
12:13arXiv cs.LG@Pin-Hsun Lee, Harry Leib精选该研究提出一种基于激活函数的机器学习框架,用于改进加权最小二乘(WLS)GNSS定位算法。在城市峡谷等复杂环境中,多径效应和非视距信号会导致定位误差,该框架通过集成学习算法评估信号质量,并利用激活函数(如sigmoid)将预测分数转化为权重,从而提升定位精度。在香港和东京的真实数据集测试中,sigmoid函数在不同算法和星座配置下均表现最佳,显著降低了单星座和多星座场景的定位误差。该方法还展现出良好的地理迁移性,在类似城市化程度的区域训练后性能保持稳定。论文GNSS定位加权最小二乘激活函数机器学习城市峡谷推荐理由:这项研究解决了城市环境中GNSS定位精度差的痛点,做导航定位、自动驾驶或智能交通的开发者可以直接参考其激活函数加权方法,值得关注。原文
19:11arXiv cs.LG@Chenyang Song, Weilin Zhao, Xu Han, Chaojun Xiao, Yingfa Chen, Zhiyuan LiuDECO是一种针对端侧设备设计的稀疏MoE架构,旨在相同参数预算和训练Token数下达到稠密Transformer的性能。它采用可微分灵活的ReLU路由和可学习专家缩放,结合新激活函数NormSiLU,提高了路由专家激活比率的稳定性和内在稀疏性。实验显示,仅激活20%专家即可匹配稠密模型性能,专用加速核在真实硬件上相比稠密推理加速3倍。这一工作对推动MoE在资源受限设备上的实际部署具有重要意义。论文稀疏MoE端侧部署推理加速激活函数模型架构推荐理由:DECO在保持性能和降低计算开销方面取得了良好平衡,其3倍加速和严格的稀疏性控制对端侧AI部署具有实际参考价值。原文