Memote - Note Taking App UI K

💾 Скачать и использовать
https://www.figma.com/communy/file/1290044913618146802/memote-note-taking-app-ui-k

🔎 Посмотреть описание
https://www.figma.com/communy/file/1290044913618146802/memote-note-taking-app-ui-k

#uik #figma

Набор градиентов

• Набор из 13 высококачественных градиентов

#gradient #color #visual

Открыть в Figma

🛠 Saloon — это PHP-библиотека, которая предоставляет инструменты для создания простых и удобных API-интеграций и SDK. Saloon объединяет запросы к API в многократно используемые классы, чтобы вы могли хранить все настройки API в одном месте. Saloon обладает множеством полезных встроенных функций, таких как запись запросов в тесты, кэширование, поддержка OAuth2 и пагинация. Это отличная отправная точка для создания простых стандартизированных API-интеграций в вашем приложении.

🌍 Сайт

Daily Coding #инструменты #PHP & Max

DS1 branding вывели линейку детских рыбных треугольников в бренде «Скорожарка»

Узнайте, как взаимодействие с клиентами помогает эффективнее решать задачи бизнеса. Как добиться синергии на пути к общей цели с клиентами

Читать на дизайнерс | #кейс

Дизайнерские итоги чемпионата мира по футболу

Статья о впечатлениях новичка, который изучает футбол: от формы сборных до шуток над игроками. Читайте, как женщина вбирает в себя футбольную эстетику

Читать на дизайнерс | #статья

ИИ-агент, который лучше чем ChatGPT

Давно использую в работе автономного Hermes Agent. Этот ИИ умеет работать в фоне, обладает долговременной памятью и сам создает навыки под сложные задачи. На днях я поручил ему полную зачистку своего инфополя в Telegram, где скопилось слишком много подписок.

Задача была жесткой: отфильтровать ресурсы по теме AI и IT, оставив только авторские каналы с уникальным опытом и практикой. Hermes полностью проанализировал контент, сверил его с метриками вовлеченности и убрал всё, где были банальные репосты и новостной шум.

Результат автоматической чистки получился отличным — ИИ отобрал именно те проекты, которые дают максимальную пользу. Объединил эту выжимку в одну удобную подборку.

Подписывайтесь на авторов в 1 клик. Здесь каждый найдет для себя что-то полезное:

👉 https://t.me/addlist/NKxqrdxh611jM2Vi

Physics-Informed Eigenfunction Features with Learnable Scaling

Для построения устойчивых, компактных и интерпретируемых нейросетевых моделей важно, чтобы компактные признаки учитывали геометрию данных, обладали спектральной структурой и оставались полезными для downstream-задачи.

Для решения этой проблемы Александр Тараканов, исследователь в AI VK, и коллеги из Высшей школы экономики предложили supervised representation learning framework.

Подход объединяет спектральные методы, physics-informed регуляризацию и обучаемую геометрию признакового пространства. Работа принята на AI4Physics Workshop @ ICML 2026.

Идея
Классические спектральные методы строят признаки через собственные функции графового лапласиана. Такие признаки хорошо отражают геометрию данных, но требуют построения графа, вычисления спектра и часто плохо масштабируются на новые точки.

В PIEFS вместо фиксированного оператора обучается набор скалярных координат: 𝜑₁(x), 𝜑₂(x), ..., 𝜑ₖ(x)

Координаты должны быть одновременно гладкими, примерно ортогональными и полезными для supervised-задачи. Для этого мы используем стандартные штрафы за коррелированность и неточность классификации и аналог энергии Дирихле: || A(x) ∇φ(x) ||²

где A(x) — обучаемая метрика. Она позволяет модели адаптировать геометрию регуляризации под данные, а не сглаживать признаки одинаково во всех направлениях. По сути, A(x) учит, какие направления во входном пространстве важны для построения репрезентативных признаков.

Результаты
PIEFS проверяли на пяти задачах: Two Moons, Circles, HTRU2, MNIST и ResNet-18 embeddings для CIFAR-10.

Даже компактное представление размерности K = 16 показывает конкурентоспособное качество. На Two Moons линейная модель даёт около 88.15%, тогда как PIEFS достигает 99.87–99.88%. PIEFS-off показывает точность на тесте на MNIST 95.41%, а на CIFAR-10 embeddings — 85.50%. Для сравнения, NeuralEF в наших экспериментах даёт 82.52% на MNIST и 76.05% на CIFAR-10 эмбедингах в аналогичном сценарии.

При этом более сложная обучаемая метрика не всегда улучшает качество. В ряде экспериментов простой вариант A(x)=I иногда оказывается сильнее диагональной и rotation-scaling метрики. Вывод: дополнительная геометрическая выразительность требует аккуратной регуляризации и стабильной оптимизации.

Технические детали
PIEFS оптимизирует три компоненты:

L = w_orth L_orth + w_class L_class + w_mde L_mde

L_orth отвечает за приближенную ортогональность координат или статистическую независимость, L_class — за качество линейного классификатора поверх этих координат, а L_mde — за physics-informed сглаживание через Modified Dirichlet Energy.

Координаты обучаются последовательно: сначала 𝜑₁, затем 𝜑₂ и т. д. Это напоминает построение спектрального базиса, но с важным отличием: признаки строятся не для фиксированного оператора, а с supervised-смещением под конкретную задачу.

Ключевая механика метода — матрица A(x). Ошибку ортогонализации и минимизацию энергии Дирихле можно использовать и в полностью unsupervised-постановке, но supervised-компонента помогает направить построение координат в сторону признаков, полезных для классификации. Для A(x) рассматриваются три сценария:

DIAG:     A(x) = Λ(x)
TROTTER:  A(x) = Λ(x) U(x)

В DIAG-варианте модель обучает анизотропное масштабирование направлений. В TROTTER-варианте дополнительно используется параметризованная матрица поворота U(x). Такая конструкция даёт компактную и численно стабильную параметризацию без QR-разложения или Gram–Schmidt на каждом шаге.

Заключение
PIEFS — не универсальный neural eigensolver и не метод восстановления спектра заранее заданного физического оператора. Это скорее supervised spectral representation learning: модель строит регуляризованные признаки, полезные для конкретной задачи.

Главные направления развития — более стабильная оптимизация, более выразительные параметризации метрики, регуляризация metric degeneracy и проверка на явных PDE/operator eigenvalue problems.

PIEFS показывает, что physics-informed функционалы полезны для построения компактных признаков в классических ML-задачах.

#aivkhub #ml

В июле снова видно, как digital и IT окончательно уходят от «просто контента» к системе, где решают скорость, ИИ и нормальная упаковка смысла. Кто раньше выстраивает понятную подачу и сильную экспертность, тот и забирает внимание рынка.

Если вы работаете в digital или IT, сейчас особенно важно не писать «как все» а говорить так, чтобы вас хотелось читать, сохранять и передавать дальше. Мы как раз собрали в этой папке материалы, которые помогают делать это без лишней воды.

Здесь готовим большое SMM исследование в сфере промышленности, где покажем, как меняется работа с контентом, в какую сторону идти, и что прямо сейчас в ТОПе.

Отдельно здесь про управление ИТ и цифровой трансформацией.

Папка подойдет тем, кто:
• продвигает digital- и IT-проекты;
• собирает сильную упаковку для экспертов и компаний;
• хочет говорить с аудиторией современно и по-человечески.

Сохранить папку себе 🗂

Подборка креативных баннеров для вашего вдохновения.