WikiEdge:ArXiv速遞/2025-04-15

摘要

• 原文標題：Breaking a Long-Standing Barrier: 2-$\varepsilon$ Approximation for Steiner Forest
• 中文標題：突破長期障礙：斯坦納森林問題的2-ε近似算法
• 發佈日期：2025-04-15 17:13:48+00:00
• 作者：Ali Ahmadi, Iman Gholami, MohammadTaghi Hajiaghayi, Peyman Jabbarzade, Mohammad Mahdavi
• 分類：cs.DS
• 原文連結：http://arxiv.org/abs/2504.11398v1

中文摘要：斯坦納森林問題（又稱廣義斯坦納樹問題）是邊加權圖上的一個基本優化問題，其目標是在給定頂點對集合的情況下，選擇一個最小成本的子圖使得每對頂點都連通。該問題推廣了1811年首次提出的斯坦納樹問題，後者的最佳已知近似因子為1.39 Byrka等，2010（STOC 2010最佳論文獎）。Agrawal等，1989（STOC 2023三十年時間檢驗獎）的開創性工作與Goemans和Williamson，1992（SICOMP'95）的改進，在35年前就建立了斯坦納森林問題的2-近似算法。Jain（FOCS'98）開創性的迭代捨入技術後來將這些結果擴展到更高連通性場景。儘管該問題具有長期重要性，但突破2的近似因子始終是重大挑戰，甚至引發類似頂點覆蓋問題的猜想——獲得更好因子可能確實困難。值得注意的是，包括Gupta和Kumar（STOC'15）以及[[Gro{\ss}等]]（ITCS'18）的基礎性工作，分別提出了96和69近似算法，可能寄望為斯坦納森林問題實現低於2的常數因子近似突破鋪路。 本文通過設計一種新穎的確定性算法，實現了$2 - 10^{-11}$的近似比，突破了2的近似壁壘。作為方法的核心組件，我們還針對斯坦納樹問題提出了一種基於對偶的局部搜索算法，其近似保證為$1.943$，該成果本身也具有獨立價值。

摘要

• 原文標題：Progressive Rock Music Classification
• 中文標題：漸進搖滾音樂分類
• 發佈日期：2025-04-15 02:48:52+00:00
• 作者：Arpan Nagar, Joseph Bensabat, Jokent Gaza, Moinak Dey
• 分類：cs.SD, cs.AI, cs.LG, eess.AS
• 原文連結：http://arxiv.org/abs/2504.10821v1

中文摘要：本研究探討前衛搖滾音樂的分類問題，該音樂流派以複雜的作曲結構和多樣化的器樂編配為特徵，與其他音樂風格截然不同。針對這一音樂信息檢索（MIR）任務，我們使用Librosa庫從歌曲片段中提取了包括聲譜圖、梅爾頻率倒譜係數（MFCCs）、色度圖和節拍位置在內的綜合音頻特徵，並通過贏家通吃投票策略將片段級預測聚合為最終歌曲分類。我們對多種機器學習技術進行了對比分析：在計算資源受限情況下，採用主成分分析（PCA）進行降維處理，探索了包含Bagging（隨機森林、極端隨機樹、Bagging分類器）和Boosting（XGBoost、梯度提升）的集成方法；同時研究了深度學習方法，包括開發具有特定層配置、歸一化和激活函數的定製一維卷積神經網絡（1D CNN）架構（命名為"Zuck"和"Satya"），並微調了基於注意力機制的最先進音頻聲譜圖變換器（AST）模型。驗證集和測試集的性能評估顯示不同模型效果各異，其中極端隨機樹等集成方法最高達到76.38%的測試準確率。本研究為前衛搖滾流派分類這一精細任務提供了多種機器學習範式應用及相對性能的深入見解。

摘要

• 原文標題：SimpleAR: Pushing the Frontier of Autoregressive Visual Generation through Pretraining, SFT, and RL
• 中文標題：SimpleAR：通過預訓練、監督微調與強化學習推動自回歸視覺生成的前沿
• 發佈日期：2025-04-15 17:59:46+00:00
• 作者：Junke Wang, Zhi Tian, Xun Wang, Xinyu Zhang, Weilin Huang, Zuxuan Wu, Yu-Gang Jiang
• 分類：cs.CV
• 原文連結：http://arxiv.org/abs/2504.11455v1

中文摘要：摘要：本文提出SimpleAR框架，這是一種未經複雜架構修改的樸素自回歸視覺生成方法。通過深入探索訓練和推理優化，我們證明：1) 僅需5億參數，該模型即可生成1024x1024解像度的高保真圖像，並在文本到圖像基準測試中取得競爭力成績（如GenEval 0.59分，DPG 79.66分）；2) 監督微調(SFT)和組相對策略優化(GRPO)訓練均能顯著提升生成美學效果和提示對齊質量；3) 結合vLLM等推理加速技術，SimpleAR生成1024x1024圖像的時間可縮短至約14秒。通過公開這些發現及開原始碼，我們希望揭示自回歸視覺生成的潛力，並鼓勵更多研究者參與該領域。代碼詳見https://github.com/wdrink/SimpleAR。

摘要

• 原文標題：Smartphone-Based Undergraduate Physics Labs: A Comprehensive Review of Innovation, Accessibility, and Pedagogical Impact
• 中文標題：基於智能手機的本科物理實驗：創新性、可及性與教學影響的全面綜述
• 發佈日期：2025-04-15 16:28:13+00:00
• 作者：Yiping Zhao
• 分類：physics.ed-ph
• 原文連結：http://arxiv.org/abs/2504.11363v1

中文摘要：基於智能手機的本科物理實驗：創新性、可及性與教學影響的全面綜述 智能手機集成物理實驗室(SmartIPLs)已成為傳統實驗教學的可擴展且經濟高效的替代方案，為多樣化學習環境提供了便捷的實踐體驗。本綜述整合了十餘年研究成果，涵蓋力學、光學、聲學、電磁學、熱力學及現代物理等關鍵領域的近200項SmartIPLs案例。SmartIPLs主要分為兩類：利用手機內置工具的傳感器實驗，以及基於攝像頭的運動與光學研究視頻/圖像分析。實證研究表明，SmartIPLs在概念理解、科學過程技能和學生參與度方面支持同等或更優的教學效果，特別適用於遠程教育和資源匱乏環境。本文探討了其理論基礎，與傳統及虛擬實驗室進行對比，並解決了設備差異性和課堂整合等挑戰。未來方向包括：更廣泛的課程整合、AI驅動的學生反饋、向代表性不足的物理主題拓展、跨學科應用以及注重公平性的教學設計。諸如佐治亞大學智能手機物理實驗頻道、現代光學YouTube頻道，以及SPIE出版物《智能手機在光學實驗中的應用》等開放資源，體現了社區推動物理教育普及化的努力。隨着智能手機技術進步，SmartIPLs將為21世紀適應性、智能化和包容性的實驗教學開闢新路徑。

摘要

• 原文標題：What it takes to break a liquid: analysis of the cavitation threshold in various media
• 中文標題：擊破液體所需條件：不同介質中空化閾值的分析
• 發佈日期：2025-04-15 12:09:58+00:00
• 作者：Gianmaria Viciconte, Paolo Guida, Tadd T. Truscott, William L. Roberts
• 分類：physics.flu-dyn
• 原文連結：http://arxiv.org/abs/2504.11122v1

中文摘要：空化現象歷來與平衡狀態下測量的參數（如蒸汽壓和表面張力）相關聯。然而，當液體處於亞穩態時也可能發生成核現象，尤其對於高頻聲波誘導空化等快速過程。這正是實驗測得的空化閾值與理論預測存在顯著差異的原因之一。 本研究旨在確定具有不同物理特性的多種物質中的成核閾值。實驗通過24kHz超聲波引發成核，並採用基於高速成像與水聽器聲學測量的創新方法研究空化起始。兩種技術的結合使我們能精確定位液體介質中發生空化的確切時刻。氣泡成核過程以20萬幀/秒的速度記錄，空間解像度達微米級。如此精細的時空解像度使我們能追蹤空化氣泡形成初期的膨脹過程。我們測試了五種不同物質，並通過換能器振盪幅度重建空化發生時的壓力場，從而確定液體的聲學空化閾值（抗拉強度）。 實驗數據證實：蒸汽壓並非聲學系統空化發生的有效指標。更值得注意的是，儘管物質物理特性各異，所有測試物質均表現出相似行為。這一看似反直覺的現象，為實驗室尺度聲學系統中的空化成核機制提供了新的見解。

摘要

• 原文標題：Predicting Wave Dynamics using Deep Learning with Multistep Integration Inspired Attention and Physics-Based Loss Decomposition
• 中文標題：基於多步積分啟發注意力與物理損失分解的深度學習波浪動力學預測
• 發佈日期：2025-04-15 17:47:20+00:00
• 作者：Indu Kant Deo, Rajeev K. Jaiman
• 分類：cs.LG, cs.NA, math.NA, physics.flu-dyn
• 原文連結：http://arxiv.org/abs/2504.11433v1

中文摘要：本文提出了一種基於物理的深度學習框架，用於數據驅動的流體介質中波傳播預測。該框架名為多步積分啟發注意力機制（MI2A），通過結合降噪卷積自編碼器（用於潛在空間降維）與基於注意力機制的LSTM循環神經網絡（用於降維坐標的時間演化），從經典線性多步方法中汲取靈感以增強潛在時間積分的穩定性和長時程精度。儘管混合神經架構在波動力學建模中具有高效性，但自回歸預測往往容易隨時間累積相位和振幅誤差。為在MI2A框架內緩解此問題，我們提出了一種新型損失函數分解策略，將訓練損失函數顯式分離為相位和振幅兩個獨立分量。通過三個複雜度遞增的基準波傳播問題（一維線性對流、非線性粘性Burgers方程和二維Saint-Venant淺水系統），我們將MI2A與兩種採用標準均方誤差損失的降階模型（序列到序列循環神經網絡及其Luong式注意力變體）進行對比。結果表明，MI2A框架顯著提升了長期預測的精度和穩定性，能準確保持波的振幅和相位特徵。相較於標準LSTM和注意力模型，基於MI2A的深度學習展現出更優的泛化能力和時間精度，使其成為實時波建模的有力工具。