10:36
arXiv cs.LG@Yu-Neng Wang, Sara Achour
73°
推荐理由：模拟硬件跑生成模型能耗低两数量级，AIS框架在MNIST上FID仅27.6，比之前好3-4倍，适合低功耗场景。
全部 AI 动态
AI 相关资讯全量信息流
6月26日
10:36
模拟硬件（如耦合振荡器）能耗比数字计算低两个数量级，但物理方程限制无法直接运行现代生成模型。该文提出Analog Interaction Systems（AIS）框架，利用时变分段参数和隐藏物理状态两种机制缩小表达差距，并采用Wasserstein GAN训练。在MNIST和Fashion-MNIST上，基于振荡器的AIS分别取得FID 27.6和80.8，比此前最优模拟硬件生成模型提升3-4倍。能量估算为每张生成图像23μJ，较数字基线降低约100倍。
6月18日
10:56
10:56
arXiv cs.LG@Daniel Romero Schellhorn, Till Mossakowski, Björn Gehrke
推荐理由：把神经符号学习统一到一个可微框架里，在 MNIST 加法上比 LTN 和 DeepProbLog 又快又准，还兼容 PyTorch。
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
5月25日
10:02
10:02
arXiv cs.LG@Vincent C. Brockers, Roman D. Ventzke, Valentin Neuhaus, Belén Hidalgo-Ogalde, Viola Priesemann
推荐理由：这篇论文揭示了神经网络蒸馏中一个反直觉但关键的机制——潜意识学习并不依赖初始化匹配，而是由输出头兼容性驱动。做模型压缩、知识蒸馏或研究表征对齐的研究者值得细读，它可能改变你对蒸馏数据选择的认知。