研究提出稀疏 SOS 可微层
热点事件持续更新
研究提出稀疏 SOS 可微层
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
Ege Gursoy 和 Nicolas Mansard 提出 Sparse SOS Layers，用可微值层在反向传播时复用前向求解的局部坐标和稀疏结构；在测试的较大稠密参数问题中，warm-call 总时间最高提速 2.7 倍，内存从 160 GiB 降至 1.7 GiB。 该方法适用于模板固定、学习目标系数的设置。研究的设计测试称，在未见实例和规模上没有认证违规，所需优化求解次数约为有限差分法的七分之一。
AI 根据报道生成 · 50 分钟前更新
最新进展10月28日 12:00
用于可认证学习的稀疏平方和（SOS）层报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine Learning用于可认证学习的稀疏平方和（SOS）层
研究提出 Sparse SOS Layers 可微值层，在反向传播中复用前向求解的局部坐标和稀疏结构，以支持可认证学习。在测试的稠密参数化较大问题中，总 warm-call 时间最高提速 2.7 倍，内存由 160 GiB 降至 1.7 GiB；设计研究在未见实例和规模上实现零认证违规，所需优化求解次数约为有限差分法的七分之一。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。