Moscow Institute of Physics and Technology

低秩矩阵分解的 Burer–Monteiro 因子化目标被证明具有指数 2/3 的广义光滑性，据此构造的自适应梯度下降与 SafeAdam 在 SymNMF 的文本与图像基准上匹配或超过 Dyn-NoLips，且不需要调相对光滑核参数。

低秩矩阵分解的 Burer–Monteiro 因子化目标被证明具有指数 2/3 的广义光滑性，据此构造的自适应梯度下降与 SafeAdam 在 SymNMF 的文本与图像基准上匹配或超过 Dyn-NoLips，且不需要调相对光滑核参数。

多智能体大语言模型框架把神经网络调参限定在指定功能模块上，网络整体结构保持不变。此前这类关键组件多由人工选择，且已有智能体系统通常优化整个机器学习脚本或从文本描述搭建网络。框架由分析师、编码员和记录员三个角色组成，配合沙箱执行环境与实验日志，在五个任务上均优于基线：MNIST分类准确率提高13个百分点，Digits提高6个百分点，广义非线性薛定谔方程单孤子问题的相对误差降低约2491倍，守恒误差在选定运行中降低约325倍，Kuramoto–Sivashinsky问题的质量漂移降低14倍。

多智能体大语言模型框架把神经网络调参限定在指定功能模块上，网络整体结构保持不变。此前这类关键组件多由人工选择，且已有智能体系统通常优化整个机器学习脚本或从文本描述搭建网络。框架由分析师、编码员和记录员三个角色组成，配合沙箱执行环境与实验日志，在五个任务上均优于基线：MNIST分类准确率提高13个百分点，Digits提高6个百分点，广义非线性薛定谔方程单孤子问题的相对误差降低约2491倍，守恒误差在选定运行中降低约325倍，Kuramoto–Sivashinsky问题的质量漂移降低14倍。