В статье представлен инновационный алгоритм для решения задач стохастической минимизации-максимизации с ограничениями в распределенных системах, таких как федеративное обучение.
В новой работе исследователи предлагают эффективный алгоритм для справедливого распределения неделимых благ между агентами с различными предпочтениями и ограничениями.
[/latex] из начальной позиции [latex](-0.5\text{m}, 0.4\text{m}, 0.3\text{rad})[/latex], что свидетельствует о его эффективности в задачах навигации и управления движением.](https://arxiv.org/html/2603.05385v1/figs/truedyn_dk_comp.jpeg)
Новый подход позволяет значительно ускорить оптимизацию траекторий движения роботов, заменяя сложные нелинейные динамики системы на более простые линейные модели.
![Предложенный подход вычисляет аксиоматическое объяснение Ψ путём интегрирования градиента модели [latex]\nabla\_{x}f\_{c}[/latex] вдоль геометрически оптимального пути оптимального транспорта [latex]\gamma^{\*}[/latex], остающегося на многообразии данных при переходе от эталонного распределения [latex]p_0[/latex] к данным, обеспечивая стабильные и принципиальные объяснения целевого логита [latex]f_c[/latex].](https://arxiv.org/html/2603.05093v1/x1.png)
В статье представлена инновационная методика интерпретации решений искусственного интеллекта, основанная на оптимальном транспорте и сопоставлении потоков, позволяющая строить более стабильные и достоверные объяснения.
![SlideSparse расширяет возможности разреженных тензорных ядер 2:4 до семейства разреженности (2N-2):2N, преобразуя веса 6:8 в блоки, совместимые с 2:4, и достигая на A100 (INT8, seq\_len==8K) ускорения, приближающегося к теоретическому пределу [latex]S_{\max} = N/(N-1)[/latex], такому как 3/2, 4/3, 5/4.](https://arxiv.org/html/2603.05232v1/2603.05232v1/x1.png)
Исследователи разработали инновационную технику, позволяющую значительно ускорить обработку больших языковых моделей на современных графических процессорах за счет оптимизации разреженных вычислений.