KI News: Kurz und klar.

Das Anticlustering‑Problem besteht darin, eine Menge von Objekten in K gleich große Anticlusters aufzuteilen, sodass die Summe der Abstände innerhalb der Anticlusters maximiert wird. In euklidischen Räumen, wo jedes Objekt als D‑dimensionaler Feature‑Vektor dargestellt wird, wird die Distanz als quadratischer euklidischer Abstand gemessen. Das Problem ist NP‑schwer, weshalb effiziente Lösungsansätze besonders gefragt sind.

Eine aktuelle Veröffentlichung auf arXiv beleuchtet die Laufzeitkosten, die mit der Anwendung von Differential Privacy (DP) in der Optimierung von Lipschitz-konvexen Verlustfunktionen einhergehen. Der Fokus liegt dabei auf der Anzahl der ersten‑Ordnung‑Orakel‑Abfragen, die nötig sind, um einen gewünschten Fehler­grad zu erreichen.

In einer aktuellen Veröffentlichung auf arXiv wird ein stochastischer Gauss-Newton-Algorithmus (SGN) vorgestellt, der mit Levenberg–Marquardt‑Dämpfung und Mini‑Batch‑Sampling arbeitet. Der Ansatz richtet sich gezielt an überparametrisierte tiefe neuronale Netze mit glatten Aktivierungsfunktionen im Regressionsbereich.