13:26
arXiv cs.LG@Prashant Gokhale, Mikhail Khodak, Sandeep Silwal
推荐理由：这篇论文让序列估计变得更智能了：它能根据变化大小自动调整计算量，比之前方法节省不少成本，特别适合那种大部分时间稳定、偶尔突变的序列。
全部 AI 动态
AI 相关资讯全量信息流
6月23日
13:26
该论文提出一个通用框架，用于逐次近似缓慢变化序列中每个元素的函数，其中相邻元素差异幅度α_i较小。此前Dharangutte & Musco在NeurIPS 2021中给出隐式迹估计的代价为O(m·max α_i)，而新框架将代价改进为O(∑α_i)，在序列稳定时效率更高。框架适用于矩阵幂、谱密度、蒙特卡洛积分和偏微分方程边界值问题等线性与非线性函数。此外，算法能够局部化调整估计预算，并可在某些情况下在线估计变化量，几乎不增加额外成本。
6月16日
20:46
AITOP6月16日 20:46
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
6月4日
11:00
11:00
arXiv cs.AI@Ammar Hoori, Yuichi Motai
推荐理由：这项研究为处理大规模数据的神经网络训练提供了并行化新思路，做机器学习和数据挖掘的开发者可以关注其如何平衡精度与效率。