분자 동역학 모델의 비평형 과정에 대한 일반화 능력
분자 동역학 모델의 일반화 능력은 미해결 변수의 조건부 분포가 평형 상태와 유사할 때 보장된다. 이를 위해 보조 CG 변수를 도입하여 미해결 직교 동역학이 평형 상태에 가깝도록 하는 것이 중요하다.
非平衡プロセスにおける粗視化分子動力学モデルの一般化能力について
粗視化分子動力学モデルの一般化能力は、未解決の変数の条件付き分布が平衡状態に近似できるかどうかに依存する。本研究では、補助的な粗視化変数を導入することで、様々な非平衡条件下でも未解決変数の条件付き分布が平衡状態に近づくことを示し、非平衡プロセスの予測精度を向上させた。
Enhancing the Generalization Ability of Coarse-Grained Molecular Dynamics Models for Non-Equilibrium Processes
A data-driven approach for constructing coarse-grained molecular dynamics models that retain generalization ability for non-equilibrium processes by introducing auxiliary coarse-grained variables to minimize the entropy contribution of unresolved variables.
스마트 안경을 위한 다채널 음성 기반 모델 M-BEST-RQ
M-BEST-RQ는 스마트 안경 기반 다채널 음성 처리 작업을 위한 범용 기반 모델로, 대규모 자기 지도 학습을 활용하여 배열 기하학에 독립적인 표현을 학습합니다.
Efficient Eager-Mode Bundle Adjustment with Sparse Optimization for Enhanced Flexibility and Performance
A new eager-mode bundle adjustment framework that seamlessly integrates with PyTorch, providing GPU-accelerated, differentiable, and sparse operations designed for 2nd-order optimization, Lie group and Lie algebra operations, and linear solvers.
토폴로지 무관 생성 사전 학습 변환기 모델을 이용한 셀룰러 오토마타 시뮬레이션
토폴로지 정보 없이도 셀룰러 오토마타의 복잡한 동적 행동을 정확하게 모사할 수 있는 범용 변환기 모델을 개발하였다.
Evaluating Long-Context Extension Methods for Large Language Models: A Controlled Study
Controlled evaluation of various long-context extension methods for large language models, highlighting the role of perplexity as a key performance indicator and the trade-offs between exact and approximate attention mechanisms.
Computational Complexity of Smooth Dynamical Systems
Smooth, finite-dimensional dynamical systems can simulate universal Turing machines, but certain classes of dynamical systems like chaotic (Axiom A) and integrable systems cannot robustly simulate universal Turing machines. The computational capacity of dynamical systems is bounded by their dynamical properties.
제약 조건 하에서 분류기의 아브덕티브 설명: 복잡성과 특성
제약 조건을 무시하면 중복되거나 불필요한 아브덕티브 설명이 급증할 수 있다. 이 논문은 제약 조건을 고려하여 새로운 유형의 아브덕티브 설명을 제안하고, 이들의 복잡성과 특성을 분석한다.
Abductive Explanations of Classifiers under Constraints: Complexity and Properties
Abductive explanations (AXp's) are widely used for understanding decisions of classifiers. However, ignoring constraints between features may lead to an explosion in the number of redundant or superfluous AXp's. The authors propose three new types of explanations that take into account constraints and can be generated from the whole feature space or from a sample. They analyze the complexity of finding an explanation and investigate its formal properties.
© 2024 by Linnk AI