英文字典中文字典


英文字典中文字典51ZiDian.com



中文字典辞典   英文字典 a   b   c   d   e   f   g   h   i   j   k   l   m   n   o   p   q   r   s   t   u   v   w   x   y   z       







请输入英文单字，中文词皆可：


请选择你想看的字典辞典：
单词字典翻译
condensare查看　condensare　在百度字典中的解释百度英翻中〔查看〕
condensare查看　condensare　在Google字典中的解释Google英翻中〔查看〕
condensare查看　condensare　在Yahoo字典中的解释Yahoo英翻中〔查看〕

安装中文字典英文字典查询工具!


中文字典英文字典工具:
选择颜色:
输入中英文单字

































































英文字典中文字典相关资料:


  • Every Bit Helps: Achieving the Optimal Distortion with a Few Queries . . .
    Recent work shows that making just a few cardinal utility queries per agent can significantly improve the distortion, with Amanatidis et al (2024) achieving O (√n) distortion with two queries per agent
  • Every Bit Helps: Achieving the Optimal Distortion with a Few Queries
    Specifically, we develop algorithms that select a small number of queries to achieve an asymptotically optimal worst-case approximation of the maximum social welfare, a concept known as distortion in social choice theory
  • 南大周志华团队获奖，AAAI 2025杰出论文奖出炉_腾讯新闻
    论文 2：Every Bit Helps: Achieving the Optimal Distortion with a Few Queries 论文摘要：在多智能体系统中，一个基本任务是将智能体与备选方案（例如资源或任务）进行匹配。 通常，这是通过获取智能体对备选方案的顺序排名（ordinal rankings）而不是其精确的数值效用（cardinal utilities）来实现的。 虽然这简化了信息获取过程，但信息的不完整性会导致智能体效率低下，这种低效性通过一种称为失真度（distortion）的指标来度量。 本文提出了一种新颖的排序算法，用于单边匹配和单一胜者选举，该算法让每个智能体利用有限数量的 λ 基数查询，实现了渐近最优的扭曲界限，其中 λ 是一个常数。
  • Every Bit Helps: Achieving the Optimal Distortionwith a Few . . .
    这篇文章的核心研究内容是关于如何在多智能体系统中，通过有限的基数效用查询（即询问智能体对某些选项的具体偏好强度），优化社会选择问题的效率和公平性。 文章主要关注两个场景：单边匹配问题和单胜选举问题。 以下是文章的主要研究内容和贡献的精炼总结： 1 研究背景与问题 在多智能体系统中，通常需要将智能体与某些资源或任务进行匹配（单边匹配问题），或者从多个候选人中选择一个获胜者（单胜选举问题）。 传统方法通常只依赖于智能体的序数偏好（即排名），但这种方式忽略了偏好强度的信息，导致效率低下，这种低效被量化为“失真”。 文章提出，通过向智能体提出少量的基数效用查询（询问具体偏好强度），可以显著降低失真，从而更接近最优的社会福利。 2 主要研究贡献
  • 南大周志华团队获奖，AAAI 2025杰出论文奖出炉 - 知乎
    通常，这是通过获取智能体对备选方案的顺序排名（ordinal rankings）而不是其精确的数值效用（cardinal utilities）来实现的。 虽然这简化了信息获取过程，但信息的不完整性会导致智能体效率低下，这种低效性通过一种称为失真度（distortion）的指标来度量。
  • Every Bit Helps: Achieving the Optimal Distortion with a Few Queries
    We present a novel algorithm for both one-sided matching and single-winner elections, which leverages a limited num-ber of cardinal queries per agent to achieve asymptotically optimal distortion bounds when is a constant
  • 南大周志华带队斩获AAAI 2025杰出论文奖！吴恩达亲临现场 . . .
    在南大周志华团队带领这篇研究中，在神经-符号（NeSy）AI上取得了新的突破，即让AI像人类一样「反思」自己的错误。 神经-符号AI就像是人类双系统的认知过程，这个双系统也就是我们熟知的「思考，快与慢」一书中提出的原型。 一个是用神经网络模拟直觉型的系统1，另一个是用符号推理模拟分析型的系统2。 然而，对于复杂的学习目标，NeSy系统常常生成与领域知识不一致的输出，且这些错误很难被纠正。 人类厉害的一个地方在于，能够迅速发现直觉反应中的错误，并通过启动系统2的推理过程进行纠正。 受到人类认知反思能力的启发，南大团队提出了基于溯因学习（Abductive Learning，ABL）框架引入溯因式反思（ABL-Refl）来改进NeSy系统。
  • dblp: Every Bit Helps: Achieving the Optimal Distortion with a Few Queries.
    Bibliographic details on Every Bit Helps: Achieving the Optimal Distortion with a Few Queries
  • 2025AAAI-Every Bit Helps: Achieving the Optimal Distortion . . .
    本文聚焦多智能体系统中的两大核心任务—— 单边匹配 （如办公空间分配，n个智能体匹配n个备选方案）与 单获胜者选举 （如诊所选址投票，从m个候选人中选1个），核心挑战是：仅通过智能体的序数偏好排序（无偏好强度信息）会导致社会福利损失（即“失真度”），而过多的基数效用查询（获取精确偏好强度）会给智能体带来认知负担。 因此，研究需解决“如何通过固定数量的基数查询，实现渐近最优的失真度”这一关键问题。 1 单边匹配问题 论文提出了一个全新的多学科评价基准SciEval现有评估基准通常依赖预先收集的客观问题，容易引发数据泄漏风险。 这些基准缺乏对主观问答能力的评估。 基于Bloom’s 教学目标分类法基础知识知识应用科学计算和研究能力。
  • 南大周志华团队获奖，AAAI 2025杰出论文奖出炉！ - 智源社区
    本文提出了一种新颖的排序算法，用于单边匹配和单一胜者选举，该算法让每个智能体利用有限数量的 λ 基数查询，实现了渐近最优的扭曲界限，其中 λ 是一个常数。 表 1 和表 2 分别提供了本文的结果总结以及在单边匹配和投票方面的对比。 本文证明了在单边匹配问题中，使用 λ 次查询可以实现的扭曲度。 例如，使用三次查询可以实现 O (n^ (1 3)) 的扭曲度，这比之前的 O (log n) 查询结果更好。 文章还将这一结果扩展到了单一胜者选举问题，证明了在任何常数 λ 的情况下，使用 λ 次查询可以实现 的扭曲度，其中 n 是智能体数量，m 是候选者数量。





中文字典-英文字典  2005-2009