数学

73 条内容

Terence Tao blog RSS 2026年9月14日
这篇由 Nestor Guillen 撰写的评论性文章主张，应把大语言模型（LLM）理解为一种“文化与社会技术”，它像市场、官僚机构和科学文献一样，是对人类累积信息的聚合与压缩，因此当 LLM 输出包含新的数学想法时，应被视为数学共同体共享遗产的成果而非数学家的失败；作者借用 Farrell、Gopnik、Shalizi、Evans 关于“大模型是文化技术”的论点，提出“想法的凸包”这一隐喻，认为某个数学问题能否被 LLM 解决在很大程度上取决于当时数学文献的状态而非仅仅取决于模型规模，并以 Krylov–Safonov 定理依赖凸几何中的 Aleksandrov 估计、以及 Euler 引入分析工具研究素数为例加以说明；
这篇由 Nestor Guillen 撰写的评论性文章主张，应把大语言模型（LLM）理解为一种“文化与社会技术”，它像市场、官僚机构和科学文献一样，是对人类累积信息的聚合与压缩，因此当 LLM 输出包含新的数学想法时，应被视为数学共同体共享遗产的成果而非数学家的失败；作者借用 Farrell、Gopnik、Shalizi、Evans 关于“大模型是文化技术”的论点，提出“想法的凸包”这一隐喻，认为某个数学问题能否被 LLM 解决在很大程度上取决于当时数学文献的状态而非仅仅取决于模型规模，并以 Krylov–Safonov 定理依赖凸几何中的 Aleksandrov 估计、以及 Euler 引入分析工具研究素数为例加以说明；
幸福者，能知万物之因：把大语言模型理解为文化技术，而非取代数学家的智能体
这篇由 Nestor Guillen 撰写的评论性文章主张，应把大语言模型（LLM）理解为一种“文化与社会技术”，它像市场、官僚机构和科学文献一样，是对人类累积信息的聚合与压缩，因此当 LLM 输出包含新的数学想法时，应被视为数学共同体共享遗产的成果而非数学家的失败；作者借用 Farrell、Gopnik、Shalizi、Evans 关于“大模型是文化技术”的论点，提出“想法的凸包”这一隐喻，认为某个数学问题能否被 LLM 解决在很大程度上取决于当时数学文献的状态而非仅仅取决于模型规模，并以 Krylov–Safonov 定理依赖凸几何中的 Aleksandrov 估计、以及 Euler 引入分析工具研究素数为例加以说明；
这篇由 Nestor Guillen 撰写的评论性文章主张，应把大语言模型（LLM）理解为一种“文化与社会技术”，它像市场、官僚机构和科学文献一样，是对人类累积信息的聚合与压缩，因此当 LLM 输出包含新的数学想法时，应被视为数学共同体共享遗产的成果而非数学家的失败；作者借用 Farrell、Gopnik、Shalizi、Evans 关于“大模型是文化技术”的论点，提出“想法的凸包”这一隐喻，认为某个数学问题能否被 LLM 解决在很大程度上取决于当时数学文献的状态而非仅仅取决于模型规模，并以 Krylov–Safonov 定理依赖凸几何中的 Aleksandrov 估计、以及 Euler 引入分析工具研究素数为例加以说明；
arXiv 2026年7月29日
该工作把此前针对准备-测量场景的、自下而上且以统计为先的线性代数框架，扩展到具有任意阶段序列变换的操作场景，给出判定此类场景上下文性的完整决策程序并分析其计算复杂度（在最小广义概率论维度上呈线性指数、在过程数量上呈多项式），并通过包括 Spekkens 玩具理论与 8 态单量子比特稳定子理论在内的多个示例加以演示，还构造出一个上下文性仅体现在变换的序列结构中的操作理论。
该工作把此前针对准备-测量场景的、自下而上且以统计为先的线性代数框架，扩展到具有任意阶段序列变换的操作场景，给出判定此类场景上下文性的完整决策程序并分析其计算复杂度（在最小广义概率论维度上呈线性指数、在过程数量上呈多项式），并通过包括 Spekkens 玩具理论与 8 态单量子比特稳定子理论在内的多个示例加以演示，还构造出一个上下文性仅体现在变换的序列结构中的操作理论。
全准备-变换-测量场景中广义上下文性的线性代数
该工作把此前针对准备-测量场景的、自下而上且以统计为先的线性代数框架，扩展到具有任意阶段序列变换的操作场景，给出判定此类场景上下文性的完整决策程序并分析其计算复杂度（在最小广义概率论维度上呈线性指数、在过程数量上呈多项式），并通过包括 Spekkens 玩具理论与 8 态单量子比特稳定子理论在内的多个示例加以演示，还构造出一个上下文性仅体现在变换的序列结构中的操作理论。
该工作把此前针对准备-测量场景的、自下而上且以统计为先的线性代数框架，扩展到具有任意阶段序列变换的操作场景，给出判定此类场景上下文性的完整决策程序并分析其计算复杂度（在最小广义概率论维度上呈线性指数、在过程数量上呈多项式），并通过包括 Spekkens 玩具理论与 8 态单量子比特稳定子理论在内的多个示例加以演示，还构造出一个上下文性仅体现在变换的序列结构中的操作理论。
Nature Communications 2023年11月26日
该工作提出 TopCap 与 TopNN 两种方法，用时间延迟嵌入与持续同调从语音时间序列中提取拓扑特征（如最大持续度及其出生时间），在浊辅音与清辅音二分类任务上，TopCap 在小型数据集上取得与部分先进神经网络相当的准确率并具备更高效率与可解释性，而将拓扑特征与门控循环单元拼接的 TopNN 在多个数据集及不同信噪比噪声条件下比标准神经网络取得更高准确率、更稳定表现与更强抗噪能力。
该工作提出 TopCap 与 TopNN 两种方法，用时间延迟嵌入与持续同调从语音时间序列中提取拓扑特征（如最大持续度及其出生时间），在浊辅音与清辅音二分类任务上，TopCap 在小型数据集上取得与部分先进神经网络相当的准确率并具备更高效率与可解释性，而将拓扑特征与门控循环单元拼接的 TopNN 在多个数据集及不同信噪比噪声条件下比标准神经网络取得更高准确率、更稳定表现与更强抗噪能力。
拓扑增强的语音信号处理机器学习方法
该工作提出 TopCap 与 TopNN 两种方法，用时间延迟嵌入与持续同调从语音时间序列中提取拓扑特征（如最大持续度及其出生时间），在浊辅音与清辅音二分类任务上，TopCap 在小型数据集上取得与部分先进神经网络相当的准确率并具备更高效率与可解释性，而将拓扑特征与门控循环单元拼接的 TopNN 在多个数据集及不同信噪比噪声条件下比标准神经网络取得更高准确率、更稳定表现与更强抗噪能力。
该工作提出 TopCap 与 TopNN 两种方法，用时间延迟嵌入与持续同调从语音时间序列中提取拓扑特征（如最大持续度及其出生时间），在浊辅音与清辅音二分类任务上，TopCap 在小型数据集上取得与部分先进神经网络相当的准确率并具备更高效率与可解释性，而将拓扑特征与门控循环单元拼接的 TopNN 在多个数据集及不同信噪比噪声条件下比标准神经网络取得更高准确率、更稳定表现与更强抗噪能力。

已显示全部结果

第 8 页 · 当前显示 3 项

幸福者，能知万物之因：把大语言模型理解为文化技术，而非取代数学家的智能体

全准备-变换-测量场景中广义上下文性的线性代数

拓扑增强的语音信号处理机器学习方法