XiaoMi-AI文件搜索系统
World File Search Systemapproximation
双标准近似算法，用于负载平衡的无关机器，成本
我们研究了具有成本限制的无关机器上的负载平衡问题的广义版本：给定一组M机器（某些类型）和一组n个工作，在机器上处理的每个作业j都需要P i，j时间单位，并造成成本ci，j，j，j，j，j，j，and j，该目标是为一项工作的工作时间，该工作时间是有序的，这些工作是有序的，该工具是有序的。优化了机器完成时间的矢量的某些客观函数，但要受到以下限制，即按时间表总成本必须在给定的预算范围内b。是由文献的最新结果激发的，我们的重点是机器类型数量是固定常数的情况，我们为研究问题开发了双标准近似方案。我们的结果在某些特殊情况下概括了几个已知结果，例如带有相同机器的情况，或具有恒定数量具有成本限制的机器的情况。构建了Jansen和Maack [15]最近提出的优雅技术，我们构建了一种更通用的方法，该方法可用于将近似方案推导到具有约束条件的更广泛的负载平衡问题上。
信神经网络基于概率的 PWL Sigmoid 函数逼近
摘要 本文提出了一种基于各层神经元值统计分布概率的分段线性 (PWL) S 型函数逼近方法，仅使用加法电路即可提高网络识别精度。首先将 S 型函数划分为三个固定区域，然后根据神经元值分布概率将每个区域中的曲线分割为子区域，以减少逼近误差并提高识别精度。在Xilinx 的FPGA-XC7A200T上对MNIST和CIFAR-10数据集进行的实验表明,所提方法在DNN、CNN和CIFAR-10上分别达到了97.45%、98.42%和72.22%的识别准确率,比其他仅使用加法电路的近似方法分别提高了0.84%、0.57%和2.01%。关键词:S形函数、概率、神经网络、分段线性近似
马尔可夫链不变分布的定量近似。一种新方法
在本文中，我们在可测量的状态空间（x，x）上处理一个Markov链，该链具有一个过渡内核P，允许一些小型s∈X，也就是说，对于任何x∈X，a∈X，对于p（x，a）≥ν（x，a）≥ν（x，a）1 s（x）1 s（x）。在这种情况下，我们提出了在（x，x）上的p- invariant概率度量π的建设性表征，使得π（1 s）>0。当存在这样的π时，仅根据ν，p和s的有限线性组合，在加权或标准的总变化规范中近似。接下来，使用标准漂移型条件，我们提供近似的几何/子几何收敛界限。这些界限是完全明确的，并且尽可能简单。收敛速率是准确的，在原子情况下它们是最佳的。请注意，还讨论了在[HL20B]中引入的有限级分配子不能进行近似P的收敛速率。这是一种近似π的新方法，因为它不是基于p对π的迭代的收敛性。因此，我们不需要任何疗效条件。此外，证明是直接的。他们在非原子案例中既不使用分裂链，也不使用续签理论，耦合方法，也不使用光谱理论。从某种意义上说，这种具有小型马尔可夫链的方法是独立的。
Markovian噪声的随机近似和加固学习的ODE方法
随机近似是一类算法，这些算法迭代，递增和随机更新，包括，例如，包括随机梯度下降和时间差学习。分析随机近似算法的一个基本挑战是建立其稳定性，即表明随机矢量迭代几乎肯定是有限的。在本文中，我们将著名的Borkar-Meyn定理从Martingale不同的噪声设定设置扩展到Markovian噪声设置，从而极大地提高了其在强化学习方面的适用性，尤其是在那些具有线性功能近似近似和资格率痕迹的O效性强化学习算法中。我们分析的核心是一些函数的变化变化速率的降低，这两种形式的强大定律和迭代对数定律的形式都暗示。关键字：随机近似，增强学习，稳定性，几乎确定的收敛性，资格跟踪
通过多项式样条函数进行固定和自由结单变量最小二乘数据近似
8 结点放置策略 9 8.1 手动方法 . ... . ... . 22 8.11 结点初始化和候选结点位置 . . . . . . . . . . 22
通过多项式样条函数进行固定和自由结单变量最小二乘数据近似
8 结点放置策略 9 8.1 手动方法 . ... . ... . 22 8.11 结点初始化和候选结点位置 . . . . . . . . . . 22
通过多项式样条函数进行固定和自由结单变量最小二乘数据近似
8 结点放置策略 9 8.1 手动方法 . ... . ... . 22 8.11 结点初始化和候选结点位置 . . . . . . . . . . 22
利用人工神经网络进行量子启发基态近似回火
大量研究表明，参数化人工神经网络 (ANN) 可以有效描述众多有趣的量子多体汉密尔顿量的基态。然而，用于更新或训练 ANN 参数的标准变分算法可能会陷入局部极小值，尤其是对于受挫系统，即使表示足够具有表现力。我们提出了一种并行调节方法，有助于摆脱这种局部极小值。这种方法涉及独立训练多个 ANN，每个模拟由具有不同“驱动器”强度的汉密尔顿量控制，类似于量子并行调节，并且它将更新步骤纳入训练中，允许交换相邻的 ANN 配置。我们研究了两类汉密尔顿量的实例，以证明我们使用受限玻尔兹曼机作为参数化 ANN 的方法的实用性。第一个实例基于置换不变汉密尔顿量，其地形阻碍了标准训练算法，使其逐渐陷入假局部最小值。第二个实例是四个氢原子排列成一个矩形，这是使用高斯基函数离散化的第二个量化电子结构哈密顿量的一个实例。我们在最小基组上研究了这个问题，尽管问题规模很小，但它表现出了假最小值，可以捕获标准变分算法。我们表明，通过量子并行回火来增强训练对于找到这些问题实例基态的良好近似值非常有用。
得分近似，低维数据上扩散模型的估计和分布回收
扩散模型在各种一代任务中实现了最新的表现。但是，他们的理论基础远远落后。本文研究了在未知的低维线性子空间上支持数据时，扩散模型的得分近似，估计和分配恢复。我们的结果提供了使用扩散模型的样本相结合范围，用于分布估计。我们表明，通过选择性选择的神经网络体系结构，得分函数可以准确地近似且有效地估计。此外，基于估计的分数函数的生成的分布会结合数据几何结构并收敛到数据分布的近距离。收敛速率取决于子空间维度，这意味着扩散模型可以规避数据环境维度的诅咒。