图形神经网络（GNN）在各种与图形相关的任务上非常有效。但是，它们缺乏解释性和透明度。当前的解释性方法通常是局部的，并且将GNN视为黑盒。他们不在模型内部看，抑制了人类对模型和解释的信任 ...
乘法是现代神经网络（NN）计算中的核心操作，对能源消耗产生了重大贡献。线性复杂性乘法（L-MUL）算法被专门作为新兴NN模型（例如大语言模型（LLM））的近似乘法方法，以降低乘法的能量消耗和计算复杂性。但是，尚未报道针对L-MUL的硬件实施设计 ...
如今，数据由向量表示。在数百万和数十亿中，检索与给定查询相似的媒介是一个无处不在的问题，被称为相似性搜索，与广泛的应用相关。基于图的指数是目前用于数十亿级相似性搜索的最佳性能技术 ...
这项调查探讨了推理大语言模型（LLMS）的最新进步，该模型旨在模仿“缓慢思考”，这是一个受人类认知启发的推理过程，如卡恩曼的思想中所述，快速而慢。这些模型，例如OpenAI的O1，专注于在复杂任务中动态扩展计算资源，例如数学推理，视觉推理，医学诊断和多代理辩论。我们介绍了推理LLM的发展，并列出了其关键技术 ...
有条件的图像产生因其个性化内容的能力而引起了极大的关注。但是，该领域在开发任务不合时宜，可靠且可解释的评估指标方面面临挑战。本文介绍了Cigeval，这是一个统一的代理框架，用于全面评估有条件的图像生成任务 ...
在生成模型中的最新突破，主要扩散模型和整流的流量彻底改变了视觉内容的创造，但是将模型输出与人类偏好保持一致仍然是一个关键的挑战。现有的强化学习（RL）基于视觉生成的方法面临临界局限性：与现代普通微分方程（ODES）基于基于的采样范式的不相容性，大规模培训中的不稳定性以及缺乏视频生成的验证。 This paper introduces DanceGRPO, the first unified fra ...
现代GPU凭借其专门的硬件（如张量核心），对于要求AI和深度学习应用至关重要。这项研究介绍了NVIDIA HOPPER GPU架构的全面，多级微型分析分析，并深入研究了其性能特征和新颖特征。我们基于Hopper的内存子系统延迟和吞吐量，将其L2分区的缓存行为和全局内存访问模式与最近的GPU Generations，Ampere和Ada Lovelace进行了比较 ...
复杂非线性功能的准确近似是许多科学和工程领域的基本挑战。传统的神经网络体系结构，例如多层感知器（MLP），通常很难有效地捕获高维功能中存在的复杂模式和不规则性。本文介绍了Chebyshev Kolmogorov-Arnold网络（Chebyshev Kan），这是一种新的神经网络架构，灵感来自Kolmogorov-Arnold代表定理，并结合了Chebyshev多项式的强大近似功能 ...
