***通过下面的文章，我试图介绍几种新的算法，据我所知，我一直无法找到这些算法。我愿意接受批评，并欢迎任何反馈。传统的标签搜索是如何工作的？传统系统采用一种称为 Jaccard 相似度的算法（通常通过 minhash 算法执行），该算法是语义标签过滤简介：通过标签相似度增强检索 | 作者：Michelangiolo Mazzeschi | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
VQ4DiT: A Fast Post-Training Vector Quantization Method for DiTs (Diffusion Transformers Models)
文本到图像的扩散模型在根据输入条件生成复杂而忠实的图像方面取得了重大进展。其中，扩散变压器模型 (DiT) 变得特别强大，OpenAI 的 SoRA 是一个值得注意的应用程序。DiT 由堆叠多个变压器块构建而成，利用变压器的缩放属性通过灵活的参数扩展实现增强的性能。文章 VQ4DiT：一种用于 DiT（扩散变压器模型）的快速后训练矢量量化方法首次出现在 AI Quantum Intelligence 上。
How to Match Vendor Item Codes to Inventory in NetSuite
这是一个您可能以前见过的常见 AP 挑战——在购买商品和服务时，没有两个人（或公司）会使用相同的语言。虽然您可以在 NetSuite 环境中创建统一的商品代码和 UPC（通用产品代码），但您的供应商都有自己的想法——帖子如何在 NetSuite 中将供应商商品代码与库存匹配首先出现在 AI Quantum Intelligence 上。
From Computation to Comprehension: Metacognitive Insights in LLM-based Mathematical Problem Solving
大型语言模型 (LLM) 已在各个领域展现出卓越的推理能力。但它们是否也拥有元认知知识——对其思维过程的理解？一篇新论文探讨了这个有趣的问题，该论文研究了 LLM 的元认知能力，特别是在数学问题解决的背景下。来自 Mila 的研究人员团队，文章《从计算到理解：基于 LLM 的数学问题解决中的元认知见解》首先出现在 AI Quantum Intelligence 上。
Python QuickStart for People Learning AI | by Shaw Talebi | Sep, 2024
许多计算机都预装了 Python。要查看您的机器是否已安装它，请转到您的终端（Mac/Linux）或命令提示符（Windows），然后输入“python”。在终端中使用 Python。作者提供的图片。如果您没有看到这样的屏幕，您可以手动下载 Python（Windows/Mac）。或者，可以安装 Anaconda，这是一个流行的帖子 Python QuickStart for People Learning AI | 作者 Shaw Talebi | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
Python QuickStart for People Learning AI | by Shaw Talebi | Sep, 2024
许多计算机都预装了 Python。要查看您的机器是否已安装它，请转到您的终端（Mac/Linux）或命令提示符（Windows），然后输入“python”。在终端中使用 Python。作者提供的图片。如果您没有看到这样的屏幕，您可以手动下载 Python（Windows/Mac）。或者，可以安装 Anaconda，这是一个流行的帖子 Python QuickStart for People Learning AI | 作者 Shaw Talebi | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
机器学习取得了重大进展，特别是通过深度学习技术。这些进步在很大程度上依赖于优化算法来训练各种任务的大规模模型，包括语言处理和图像分类。这个过程的核心是最小化复杂、非凸损失函数的挑战。优化算法，如随机梯度下降 (SGD) 及其帖子 Apple 的这篇 AI 论文介绍了 AdEMAMix：一种利用双指数移动平均线来提高梯度效率和提高大规模模型训练性能的新型优化方法首先出现在 AI Quantum Intelligence 上。
调整基于 2D 的分割模型以有效处理和分割 3D 数据是计算机视觉领域的一项重大挑战。传统方法通常难以保留 3D 数据中固有的空间关系，从而导致分割不准确。这一挑战对于自动驾驶、机器人技术和虚拟现实等先进应用至关重要，其中 SAM2Point：针对零样本和可提示 3D 分割调整 Segment Anything Model 2 (SAM 2) 的初步探索首先出现在 AI Quantum Intelligence 上。
Musings on army personnel policy for very poor countries
早在 2011 年，我就写过一篇关于建立一支全方位宪兵队的文章，其目的是防止腐败，避免发动政变，以取代（非常）贫穷国家的微型军队。今天，我想在此基础上再接再厉，尤其是进行一些非常基本的思考。接触铅等重金属和营养不良（尤其是缺乏碘）会对儿童成长为成年人产生负面影响。这不仅会导致“发育不良”（身高矮小和虚弱），还会导致智力发育严重下降。儿童时期的营养不良很容易使智商降低约 15 分。还有更多的儿童因素在统计上（可能存在因果关系）与智商得分下降有关。坦率地说，一些国家的人口大多是愚蠢的，就是因为这些因素。en.wikipedia.org/wiki/Effect_of_health_on_intell
OpenFGL: A Comprehensive Benchmark for Advancing Federated Graph Learning
图神经网络 (GNN) 已成为捕获现实世界实体中复杂交互并在各个业务领域中找到应用程序的强大工具。这些网络擅长通过对节点特征和结构洞察进行编码来生成有效的图实体嵌入，这使得它们对于许多下游任务非常有用。GNN 已成功实现节点级金融欺诈检测，文章 OpenFGL：推进联邦图学习的综合基准首先出现在 AI Quantum Intelligence 上。
OpenFGL: A Comprehensive Benchmark for Advancing Federated Graph Learning
图神经网络 (GNN) 已成为捕获现实世界实体中复杂交互并在各个业务领域中寻找应用的强大工具。这些网络擅长通过对节点特征和结构洞察进行编码来生成有效的图实体嵌入，这使得它们对于众多下游任务非常有用。GNN 已成功实现节点级金融欺诈检测，OpenFGL：推进联邦图学习的综合基准一文首先出现在 AI Quantum Intelligence 上。
Heatmap for Confusion Matrix in Python | by Michał Marcińczuk, Ph.D. | Sep, 2024
一张图片胜过千言万语。 图片来自作者 混淆矩阵是一种方便的方式来呈现机器学习模式所犯的错误类型。 它是一个带有数字的 N x N 网格，其中 [n, m] 单元格中的值表示用第 n 个注释的示例数。 帖子 Python 中混淆矩阵的热图 | 作者 Michał Marcińczuk，博士 | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
DriveGenVLM: Advancing Autonomous Driving with Generated Videos and Vision Language Models VLMs
将先进的预测模型集成到自动驾驶系统中对于提高安全性和效率至关重要。基于摄像头的视频预测成为关键组件，提供丰富的现实世界数据。人工智能生成的内容目前是计算机视觉和人工智能领域的一个主要研究领域。然而，生成照片般逼真和连贯的视频帖子 DriveGenVLM：使用生成的视频和视觉语言模型 VLM 推进自动驾驶首先出现在 AI Quantum Intelligence 上。
Why Ratios Trump Raw Numbers in Business Health | by Shirley Bao, Ph.D. | Sep, 2024
了解比率是深入了解企业健康状况和推动更明智决策的关键 图片来自 Pixabay 的 Jill Wellington 想象你是一个有两个苹果园的农民。有一天，你决定数一数每个果园里的苹果。果园 A 有 1,000 个苹果，而果园 B 只有 500 个。乍一看，文章为什么比率在商业健康中胜过原始数字 | 作者 Shirley Bao，博士 | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
混沌顺序传播 (SPoC) 是一种用于求解平均场随机微分方程 (SDE) 及其相关非线性福克-普朗克方程的最新技术。这些方程描述了受随机噪声影响的概率分布的演变，在流体动力学和生物学等领域至关重要。解决这些 PDE 的传统方法面临着挑战，因为它们的 DeepSPoC：将混沌顺序传播与深度学习相结合以有效解决平均场随机微分方程首先出现在 AI Quantum Intelligence 上。
Ilya Sutskever’s Safe Superintelligence (SSI) raises $1 billion at $5 billion valuation
由前 OpenAI 首席科学家 Ilya Sutskever 联合创办的初创公司 Safe Superintelligence (SSI) 在成立仅三个月后就获得了 10 亿美元的融资。该公司旨在开发超越人类智能的“安全”通用人工智能 (AGI) 系统，尽管没有产品且只有 10 名员工，但估值已达到约 50 亿美元。此轮融资由 Andreessen Horowitz、Sequoia Capital、DST Global 和 SV Angel 等顶级风险投资公司领投，表明人工智能企业仍在吸引大量资金。它打破了围绕人工智能领域投资的怀疑。当生成式人工智能成为“主流”时，Ilya Sutskever
Guided Reasoning: A New Approach to Improving Multi-Agent System Intelligence
来自 Logikon AI, KIT 的 Gregor Betz 介绍了引导推理。如果一个代理（称为引导）主要与其他代理合作以改进其推理，则具有多个代理的系统是引导推理系统。具有引导代理和至少一个客户端代理的多代理系统称为引导推理帖子引导推理：一种改进多代理系统智能的新方法首先出现在 AI Quantum Intelligence 上。
Guided Reasoning: A New Approach to Improving Multi-Agent System Intelligence
来自 Logikon AI, KIT 的 Gregor Betz 介绍了引导推理。如果一个代理（称为引导）主要与其他代理合作以改进其推理能力，则具有多个代理的系统就是引导推理系统。具有引导代理和至少一个客户端代理的多代理系统称为引导推理。引导推理：一种改进多代理系统智能的新方法一文首先出现在 AI Quantum Intelligence 上。
