Dataset Preview
The full dataset viewer is not available (click to read why). Only showing a preview of the rows.
The dataset generation failed
Error code: DatasetGenerationError
Exception: TypeError
Message: Couldn't cast array of type
struct<slug: string, type: string, level: string>
to
{'slug': Value('string')}
Traceback: Traceback (most recent call last):
File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1816, in _prepare_split_single
for key, table in generator:
^^^^^^^^^
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 613, in wrapped
for item in generator(*args, **kwargs):
~~~~~~~~~^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 343, in _generate_tables
self._cast_table(pa_table, json_field_paths=json_field_paths),
~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 132, in _cast_table
pa_table = table_cast(pa_table, self.info.features.arrow_schema)
File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2369, in table_cast
return cast_table_to_schema(table, schema)
File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2303, in cast_table_to_schema
cast_array_to_feature(
~~~~~~~~~~~~~~~~~~~~~^
table[name] if name in table_column_names else pa.array([None] * len(table), type=schema.field(name).type),
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
feature,
^^^^^^^^
)
^
File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 1852, in wrapper
return pa.chunked_array([func(chunk, *args, **kwargs) for chunk in array.chunks])
~~~~^^^^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2149, in cast_array_to_feature
raise TypeError(f"Couldn't cast array of type\n{_short_str(array.type)}\nto\n{_short_str(feature)}")
TypeError: Couldn't cast array of type
struct<slug: string, type: string, level: string>
to
{'slug': Value('string')}
The above exception was the direct cause of the following exception:
Traceback (most recent call last):
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 1369, in compute_config_parquet_and_info_response
parquet_operations, partial, estimated_dataset_info = stream_convert_to_parquet(
~~~~~~~~~~~~~~~~~~~~~~~~~^
builder, max_dataset_size_bytes=max_dataset_size_bytes
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
)
^
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 948, in stream_convert_to_parquet
builder._prepare_split(split_generator=splits_generators[split], file_format="parquet")
~~~~~~~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1683, in _prepare_split
for job_id, done, content in self._prepare_split_single(
~~~~~~~~~~~~~~~~~~~~~~~~~~^
gen_kwargs=gen_kwargs, job_id=job_id, **_prepare_split_args
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
):
^
File "/usr/local/lib/python3.14/site-packages/datasets/builder.py", line 1869, in _prepare_split_single
raise DatasetGenerationError("An error occurred while generating the dataset") from e
datasets.exceptions.DatasetGenerationError: An error occurred while generating the datasetNeed help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.
text string | meta dict |
|---|---|
# 2-AND Problem
Family: Boolean Functions
Type: algorithmic_primitive
Level: α
## Определение
Задача 2-AND: для заданных $m$ булевых переменных и $m'$ выходов, каждый выход $f_i$ вычисляет AND двух различных переменных. Формально: $\mathcal{F}_{m,m'} = \{ F = (f_1, \ldots, f_{m'}) \mid \forall i, f_i = x_{j_i} \land x... | {
"slug": "2_and_problem"
} |
# 3D-Aware Consistent Pseudo-Captioner (3D-CPS)
Family: Self-Supervised Learning
Type: algorithmic_primitive
Level: β
## Определение
Метод генерации псевдо-описаний объектов, который агрегирует многовьюовые наблюдения из эпизодов исследования, используя частотный анализ описаний и геометрически обоснованный выбор кадр... | {
"slug": "3d_aware_consistent_pseudo_captioner"
} |
# 3D Flow World Target
Family: 3D Vision
Type: algorithmic_primitive
Level: β
## Определение
Представление мира (world target) s, которое является плотным 3D-полем движения (3D motion field) за интервал [t, t+T], выраженным в стабилизированной системе координат камеры в момент времени t: s = F_{[t,t+T]}. Для стабилиза... | {
"slug": "3d_flow_world_target"
} |
# 3D Fourier Positional Encoding
Family: Positional Encodings
Type: algorithmic_primitive
Level: β
## Определение
Позиционное кодирование для 3D координат, основанное на преобразовании Фурье. Используется для добавления пространственной информации в признаки.
## Мотивация
Необходимо добавить информацию о пространстве... | {
"slug": "3d_fourier_positional_encoding"
} |
# 3D GIoU Loss
Family: Loss Functions
Type: algorithmic_primitive
Level: α
## Определение
Функция потерь для 3D bounding box regression, основанная на Generalized Intersection over Union (GIoU). Используется для улучшения точности локализации.
## Мотивация
Стандартный L1 loss не учитывает IoU между предсказанным и gr... | {
"slug": "3d_giou_loss"
} |
# 3D Latent Alignment Loss
Family: Loss Functions
Type: algorithmic_primitive
Level: α
## Определение
Функция потерь, используемая для выравнивания спроецированных 3D-латентов VLM с признаками 3D-фундаментальной модели VGGT. Определяется как Frobenius norm: $\mathcal{L}_{3D} = \| F_{\text{proj}} - F_{\text{3D}} \|_F^2... | {
"slug": "3d_latent_alignment_loss"
} |
# 3D Parallelism
Family: Distributed Training
Type: algorithmic_primitive
Level: α
## Определение
Многомерная комбинация стратегий параллелизма: data parallelism (DP), pipeline parallelism (PP) и tensor parallelism (TP). Вход: модель, данные, вычислительные ресурсы. Выход: распределенное обучение с оптимальным использ... | {
"slug": "3d_parallelism"
} |
# 3D Point Track Supervision
Family: Loss Functions for Robotics
Type: algorithmic_primitive
Level: α
## Определение
3D Point Track Supervision — это метод обучения, при котором на VLA-модель накладывается дополнительное ограничение в виде L1-потери между предсказанными и истинными 3D-смещениями точек на горизонте дей... | {
"slug": "3d_point_track_supervision"
} |
# 3D Positional Encoding
Family: Positional Encoding
Type: algorithmic_primitive
Level: α
## Определение
3D позиционное кодирование — это метод, который добавляет пространственную геометрическую информацию к визуальным признакам путем кодирования 3D координат (x, y, z) для каждого пикселя изображения. Оно используется... | {
"slug": "3d_positional_encoding"
} |
# A1: Tool Execution Signaled Agent Adaptation
Family: Agent Adaptation Paradigms
Type: algorithmic_primitive
Level: α
## Определение
A1 — это парадигма адаптации агента, в которой сигнал обратной связи для оптимизации агента A получается из результатов выполнения внешних инструментов T. Процесс взаимодействия: x → A ... | {
"slug": "a1_tool_execution_signaled_agent_adaptation"
} |
# A2: Agent Output Signaled Agent Adaptation
Family: Agent Adaptation Paradigms
Type: algorithmic_primitive
Level: α
## Определение
A2 — это парадигма адаптации агента, в которой сигнал обратной связи для оптимизации агента A получается из оценки его собственного финального вывода o. Процесс взаимодействия (с инструме... | {
"slug": "a2_agent_output_signaled_agent_adaptation"
} |
# Agent-to-Agent (A2A) Protocol
Family: Inter-agent communication protocols
Type: algorithmic_primitive
Level: β
## Определение
The Agent-to-Agent (A2A) protocol is the communication mechanism used by agents in the HANA architecture to collaborate, deliberate, and decide. It is used to transmit Internal Goals from the... | {
"slug": "a2a_protocol"
} |
# A2UI Reward Function
Family: Reward Design
Type: algorithmic_primitive
Level: β
## Определение
A2UI Reward Function — это функция награды для GRPO, которая оценивает качество A2UI-ответа на основе трёх компонентов: структурного качества (SL1), качества построения задачи (SL2) и пользовательской полезности (SL3). Для... | {
"slug": "a2ui_reward_function"
} |
# A3
Family: Selective Recomputation
Type: algorithmic_primitive
Level: β
## Определение
Метод селективного перевычисления KV-кэшей, который selects tokens by real-time query-document attention scores. Использует динамическую стратегию выбора токенов на основе внимания между запросом и документами.
## Мотивация
Упоми... | {
"slug": "a3"
} |
# A*-Based Reasoning Path Generation
Family: Heuristic Search Algorithms
Type: algorithmic_primitive
Level: α
## Определение
Алгоритм, который генерирует последовательность абстрактных функций рассуждения (путь) для данного вопроса, используя поиск A*. Он использует функцию стоимости f(S, a) = g(S) + h(S, a), где g(S)... | {
"slug": "a_star_reasoning_path_generation"
} |
# A* Search over Hypergraphs
Family: Search Algorithms
Type: algorithmic_primitive
Level: α
## Определение
A* search over hypergraphs is a generalization of the classical A* algorithm (Hart et al., 1968) to B-hypergraphs (Gallo et al., 1993) for finding the shortest hyperpath (proof) from a source set (axioms) to a go... | {
"slug": "a_star_search_hypergraph"
} |
# AACA Optimizer
Family: Multi-Index Optimization
Type: algorithmic_primitive
Level: α
## Определение
Оптимизатор, который объединяет механизмы MO-ASHA budget control с fidelity-local closure для использования композиционной структуры EDR–model пар. AACA выполняет три типа действий: acquisition (приобретение новых ато... | {
"slug": "aaca_optimizer"
} |
# Additive Angular Margin Softmax Loss
Family: Loss Function / Speaker Verification
Type: algorithmic_primitive
Level: α
## Определение
Функция потерь для обучения классификатора спикеров, которая добавляет аддитивный угловой маржин к целевой логите в Softmax: $L = -\frac{1}{N} \sum_{i=1}^{N} \log \frac{e^{s \cdot \co... | {
"slug": "aam_softmax_loss"
} |
# Abduction-Intervention-Prediction Framework
Family: Causal Reasoning
Type: algorithmic_primitive
Level: α
## Определение
Трехшаговая процедура контрфактического рассуждения, используемая для генерации и оценки контрфактических QA. Шаги:
1. **Абдукция**: Вывод скрытых значений $X_{hid}$, которые согласуются с наблюда... | {
"slug": "abduction_intervention_prediction"
} |
# Abductive Hypothesis
Family: abductive reasoning in description logics
Type: algorithmic_primitive
Level: α
## Определение
Пусть $K = (T, A)$ — база знаний, и $Q := C(x)$ — запрос (ABox-утверждение). **Абдуктивная гипотеза** для $Q$ в $K$ — это множество $H$ ABox-аксиом над сигнатурой $K$ такое, что:
1. $K \cup H$ н... | {
"slug": "abductive_hypothesis"
} |
# Abductive Reasoning
Family: logical reasoning tasks
Type: algorithmic_primitive
Level: α
## Определение
Abductive reasoning is a reasoning task where the model must recover a missing event or initial fact consistent with the observed states. Given a knowledge graph with dynamic events Edyn where one event or initial... | {
"slug": "abductive_reasoning"
} |
# Abliteration (Directional Ablation)
Family: Model Editing / Safety Unlearning
Type: algorithmic_primitive
Level: β
## Определение
Метод удаления поведения отказа (refusal) из LLM путем модификации весов матриц проекции внимания и MLP. Вычисляется разница средних активаций на вредоносных и безвредных промптах, затем ... | {
"slug": "abliteration"
} |
# Abs-Max Scaling
Family: Reinforcement Learning for LLMs
Type: algorithmic_primitive
Level: β
## Определение
Abs-Max Scaling — оператор групповой стандартизации $N(\cdot; S)$, который делит каждое значение $s_{prc}$ на group-wide maximum absolute value, оставляя zero point сигнала неизменным.
## Мотивация
Для KL-sty... | {
"slug": "abs_max_scaling"
} |
# Absence-Count Algorithm
Family: Identification Algorithms
Type: algorithmic_primitive
Level: α
## Определение
Algorithm 1: On contrastive prefix P≤n = (p₁, ..., pn) over X, for each x ∈ Seenn(P), compute the absence count an(x) := |{i ≤ n : x ∉ pi}|. Output hs* where s* ∈ Seenn(P) minimizes an(x), breaking ties by t... | {
"slug": "absence_count_algorithm"
} |
# Absmax Scale
Family: Post-Training Quantization
Type: algorithmic_primitive
Level: α
## Определение
Эвристика выбора масштаба квантования, при которой максимальное абсолютное значение веса отображается на крайнюю точку сетки. Формально: s_absmax = max_i |w_i| / g_max, где g_max — максимальное значение сетки G.
## М... | {
"slug": "absmax_scale"
} |
# Absolute Coordinate Serialization
Family: SVG Representation for LLMs
Type: algorithmic_primitive
Level: β
## Определение
Использование абсолютных координат (команды SVG в верхнем регистре: M, L, Q) для сериализации SVG-путей глифов при обучении LLM. Абсолютные координаты задают положение точек относительно начала к... | {
"slug": "absolute_coordinate_serialization"
} |
# Absolute Gradient Correction
Family: Transformer Interpretability
Type: algorithmic_primitive
Level: α
## Определение
Вариант gradient attention correction, где используется модуль градиента: Ā(l) = I + EH(|∇A(l)| ⊙ A(l)). Принимает на вход карты внимания и их градиенты, выдаёт скорректированную карту, где все вкла... | {
"slug": "absolute_gradient_correction"
} |
# Absolute Progress Reward
Family: Regression-based Reward
Type: algorithmic_primitive
Level: α
## Определение
Absolute Progress Reward (r_prog) — это алгоритмический примитив, который оценивает непрерывный прогресс выполнения задачи на основе одного входного кадра. Формально: r_prog ∈ {0.0, 0.1, 0.2, ..., 0.9, 1.0}, ... | {
"slug": "absolute_progress_reward"
} |
# Abstention Mechanism
Family: Memory-Augmented LLM Agents
Type: algorithmic_primitive
Level: α
## Определение
Механизм, который позволяет политике памяти πmem принимать решение d ∈ {[GENERATE], [ABSTAIN]} о том, генерировать ли руководство для данного контекста. Решение [ABSTAIN] означает, что агент будет работать с ... | {
"slug": "abstention_mechanism"
} |
# Abstention RL
Family: Reinforcement Learning for Calibration
Type: algorithmic_primitive
Level: β
## Определение
Метод RL, использующий тернарное вознаграждение: +1 за правильный ответ, 0 за неправильный, и промежуточное вознаграждение $\lambda$ (обычно 0.5) за явное воздержание от ответа (например, "I don't know").... | {
"slug": "abstention_rl"
} |
# Abstract Reasoning Functions
Family: Modular Reasoning Primitives
Type: algorithmic_primitive
Level: β
## Определение
Набор модульных, абстрактных функций, которые представляют различные типы шагов рассуждения. Они включают: Visual Analysis (VA), System Analysis (SA), Regular Reasoning (RR), Self-Reflection (SR), Nu... | {
"slug": "abstract_reasoning_functions"
} |
# Abstraction Map
Family: Statistical Learning Theory
Type: algorithmic_primitive
Level: α
## Определение
Функция κ: Θ → K, которая отображает каждую эвристику θ ∈ Θ в её состояние знания K ∈ K. Предполагается, что существует измеримая функция реализации g: K → Θ такая, что κ(g(K)) = K для всех K ∈ K. Композиция g ∘ κ... | {
"slug": "abstraction_map"
} |
# Abstraction-Specificity Interleaving
Family: Information Retrieval
Type: algorithmic_primitive
Level: α
## Определение
Стратегия retrieval, которая чередует поиск по абстрактным (концепты/интенты) и конкретным (пропозиции/прескрипции) узлам графа. Абстрактные узлы служат routing signals для активации конкретных узло... | {
"slug": "abstraction_specificity_interleaving"
} |
# Abundance-Weighted Semantic Aggregation
Family: Aggregation
Type: algorithmic_primitive
Level: β
## Определение
Метод создания клеточного эмбеддинга путем взвешенной агрегации семантических эмбеддингов топ-K генов, где весами являются значения экспрессии: Z^{(1)} = \tilde{X} \tilde{G}, где \tilde{X} ∈ R^{N×K} — матр... | {
"slug": "abundance_weighted_semantic_aggregation"
} |
# ACC++
Family: Circuit Tracing
Type: algorithmic_primitive
Level: α
## Определение
ACC++ — это улучшенный метод трассировки цепей (circuit tracing) на основе принципа attention-causal communication (ACC). Он идентифицирует сигналы (содержимое низкоразмерных подпространств), которые являются причинными для решения гол... | {
"slug": "acc_plus_plus"
} |
# Accelerated Nearest-Neighbor Search
Family: Quantization
Type: algorithmic_primitive
Level: β
## Определение
Эвристическая стратегия поиска ближайшего соседа для квантования весов в поднятом пространстве. Использует псевдообратную матрицу M (через SVD) для проецирования целевого вектора w обратно в поднятое простран... | {
"slug": "accelerated_nearest_neighbor_search"
} |
# Accelerated Sequential Halving
Family: best-arm identification
Type: algorithmic_primitive
Level: β
## Определение
Модификация алгоритма Sequential Halving (SH) для задачи поиска лучшей модели в репозитории. Включает две ключевые модификации: (1) Correlated Sampling — использование одинаковых запросов для всех выжив... | {
"slug": "accelerated_sequential_halving"
} |
# Acceptance-Aware Pruning
Family: LLM Inference Acceleration
Type: algorithmic_primitive
Level: β
## Определение
Acceptance-Aware Pruning — это политика, которая определяет, когда и какие токены следует prune (досрочно завершить верификацию) на основе исторической оценки acceptance rate и текущих условий нагрузки. Ре... | {
"slug": "acceptance_aware_pruning"
} |
# High Acceptance Policy
Family: Acceptance Policy
Type: algorithmic_primitive
Level: β
## Определение
Политика принятия решений, при которой инициатор (Alice) ожидает сбора всех предложений (Offers) от всех контракторов перед применением правил принятия решений. На вход принимает все предложения, на выходе — решение ... | {
"slug": "acceptance_policy_high"
} |
# Low Acceptance Policy
Family: Acceptance Policy
Type: algorithmic_primitive
Level: β
## Определение
Политика принятия решений, при которой инициатор (Alice) принимает первое валидное предложение (Offer) или завершает переговоры по тайм-ауту, рискуя не получить ни одного ответа. На вход принимает поток предложений, н... | {
"slug": "acceptance_policy_low"
} |
# Medium Acceptance Policy
Family: Acceptance Policy
Type: algorithmic_primitive
Level: β
## Определение
Политика принятия решений, при которой инициатор (Alice) принимает первое валидное предложение после ограниченного периода ожидания. На вход принимает поток предложений, на выходе — решение о принятии первого валид... | {
"slug": "acceptance_policy_medium"
} |
# Acceptance Rate Predictor
Family: Regression Models
Type: algorithmic_primitive
Level: β
## Определение
Регрессионная модель f(x, γ) → â, которая предсказывает acceptance rate a для заданного контекста x и кандидатного γ. SpecKV использует MLP с 16 скрытыми нейронами, обученный на 5,112 step-level записях, для пред... | {
"slug": "acceptance_rate_predictor"
} |
# Accumulated Error Feedback
Family: Signal Processing / Optimization
Type: algorithmic_primitive
Level: α
## Определение
Механизм, при котором высокоточный вектор ошибки eₜ (обычно FP16) накапливает ошибку квантования от предыдущих шагов и используется для коррекции обновлений. Формально: uₜ = αĝₜ + γeₜ₋₁, ΔWₜ = Roun... | {
"slug": "accumulated_error_feedback"
} |
# Accumulative Progress Estimation
Family: Reward Shaping for Reinforcement Learning
Type: algorithmic_primitive
Level: α
## Определение
Механизм накопительной оценки прогресса, который сглаживает шумные точечные оценки критика прогресса (VLAC) в стабильный и надежный сигнал. Он использует интервальную выборку опорных... | {
"slug": "accumulative_progress_estimation"
} |
# Accumulative Tool Reward
Family: Reward Design for Agentic RL
Type: algorithmic_primitive
Level: β
## Определение
Компонент функции награды в RL, который добавляет бонус, пропорциональный количеству вызовов инструментов (tool calls) в роллауте, но только если ответ правильный. Формально: R = R_acc + 0.1 * n_tc * 1{R... | {
"slug": "accumulative_tool_reward"
} |
# Accuracy Motivation
Family: Cognitive Bias
Type: algorithmic_primitive
Level: α
## Определение
Accuracy motivation is a type of motivated reasoning where an individual is motivated to form an accurate (non-directional) conclusion. It is induced by prompting individuals to consider information in an evenhanded fashio... | {
"slug": "accuracy_motivation"
} |
# Accuracy + Brier Score Reward
Family: Reinforcement Learning Rewards
Type: algorithmic_primitive
Level: β
## Определение
Комбинированная функция вознаграждения для RL-тренировки моделей прогнозирования:
$$ R = \mathbb{1}_{y \equiv y^*} + S'(q, y, y^*) $$
где первый член — индикатор точности (1 если ответ верен, 0 ин... | {
"slug": "accuracy_plus_brier_reward"
} |
# Accuracy Reward
Family: reinforcement learning
Type: algorithmic_primitive
Level: α
## Определение
Компонент функции награды ra = I(o = ô), где o — выход модели, а ô — соответствующая псевдометка. Для генерации ô — это консенсусный ответ ŷ; для верификации ô — это целевое суждение ("Correct" для V+, "Incorrect"... | {
"slug": "accuracy_reward"
} |
# Accuracy Reward for Planner
Family: reward functions for RL
Type: algorithmic_primitive
Level: α
## Определение
Формально: r_acc_i = (1/M) * Σ σ(p_i,j), где p_i,j = (1/|T|) * Σ I[Exec(c_i,j, x_k) = y_k], σ — масштабированная сигмоида, c_i,j — j-й фрагмент кода, сгенерированный Coder для i-го плана, Exec — выполнение... | {
"slug": "accuracy_reward_planner"
} |
# Achievable Uplink Data Rate
Family: Wireless Communication Models
Type: algorithmic_primitive
Level: α
## Определение
Достижимая скорость передачи данных для пользователя k, ассоциированного с БПЛА n, в момент времени t определяется как:
$$R_k[t] = \frac{B}{|K_n[t]|} \cdot \log_2(1 + \gamma_k[t])$$
где B — общая пол... | {
"slug": "achievable_uplink_data_rate"
} |
# ACK-Latched Epoch Protocol
Family: Synchronization Protocols
Type: algorithmic_primitive
Level: α
## Определение
Протокол синхронизации, обеспечивающий безопасное изменение состава барьерной группы (gang) между токенами. Состоит из глобальной эпохи (GANG_EPOCH), которая увеличивается при начале и конце генерации, и ... | {
"slug": "ack_latched_epoch_protocol"
} |
# ACO Transition Probability with Query-Conditioned Signals
Family: Ant Colony Optimization
Type: algorithmic_primitive
Level: α
## Определение
The transition probability from node v_{l,i} to v_{l+1,j} follows the standard ACO proportional rule: p_{ij}(q) = ([τ^{(q)}_{ij}]^α · [η^{(q)}_j]^β) / (Σ_{k∈Allowed(l,i)} [τ^{... | {
"slug": "aco_transition_probability"
} |
# Acoustic Similarity-Based Deduplication
Family: Data Deduplication
Type: algorithmic_primitive
Level: α
## Определение
Метод фильтрации избыточных аудиообразцов на основе косинусного сходства CLAP-эмбеддингов. Для двух аудиообразцов с эмбеддингами z_i и z_j косинусное сходство определяется как:
$$ s(z_i, z_j) = \fra... | {
"slug": "acoustic_similarity_based_deduplication"
} |
# Agent-Chained Policy Optimization (ACPO)
Family: Multi-Agent Reinforcement Learning
Type: algorithmic_primitive
Level: β
## Определение
ACPO — это общий алгоритм actor-critic для MARL, основанный на разложении градиента совместной политики (Теорема 4.2). Каждый агент обновляет своего актера против своего собственног... | {
"slug": "acpo"
} |
# Acrostic Steganography
Family: Steganography
Type: algorithmic_primitive
Level: β
## Определение
A simple steganographic method where the hidden message is encoded as the first letter of consecutive words or sentences in the cover text.
## Мотивация
Provides a simple, easily understandable example of steganography.... | {
"slug": "acrostic_steganography"
} |
End of preview.
No dataset card yet
- Downloads last month
- 36