theoretical

一条推文链接到进一步讨论，表明一些千禧年难题的可能解决方案已被提出。

这篇文章声称提出了一种理论方法来破解Anthropic的AI水印，批评欧盟可能因此增加计算需求，并链接到一个相关的GitHub仓库。

一个示例模型，解释在相同模型和使用限制下如何出现4倍运营差距，突出效率差异机制。

本文提出了一个将智能视为原子压缩与组合复用的理论框架，引入了压缩演算与复合级联论点。

本文量化并扩展了晚期交互检索模型的理论容量，证明MaxSim可以复制非负向量之间的内积，并提出适用于任意实值向量的Signed MaxSim，揭示了内积模型与晚期交互模型之间的表示差距。

推导了损失Hessian特征谱的Wolkowicz-Styan上界的闭式梯度，以引导神经网络训练朝向平坦极小值，并提出了Hessian谱范围（HSR）正则化。数值实验表明，HSR收窄了Hessian特征值范围，避免了尖锐极小值和鞍点，并实现了与Sharpness-Aware Minimization（SAM）相当的解。

探讨将AI智能体概念化为信念网络，讨论其对AI对齐和代理理解的影响。

本书提出了深度表示学习的数学理论，旨在利用优化和信息论揭开大型深度网络内部机制的神秘面纱，使架构设计成为线性代数和微积分的问题。

本文证明了在高阶光滑非凸优化中寻找ε-稳定点的无维数尖锐一阶下界，解决了Hessian-Lipschitz和三阶光滑情况下的公开问题。

本文重新审视了因子图中检测交换因子的理论基础，修正了先前错误的充分条件，并提出了修正后的算法。

本文识别了流形假设下扩散模型中的坍缩与精炼机制，提出了分数诱导潜在扩散（SiLD），该方法可证明地避免了维度灾难。实验表明，SiLD在生成质量上匹配或超越基于VAE的潜在扩散模型。