arXiv ID:
2601.21487
流形约束最速下降法 / Manifold constrained steepest descent
1️⃣ 一句话总结
这篇论文提出了一种名为MCSD的单循环优化框架,用于解决数据点位于特定几何结构(流形)上的机器学习问题,它通过巧妙结合线性优化和投影步骤,在保持理论收敛性的同时,比现有方法更稳定高效。
流形约束最速下降法 / Manifold constrained steepest descent
这篇论文提出了一种名为MCSD的单循环优化框架,用于解决数据点位于特定几何结构(流形)上的机器学习问题,它通过巧妙结合线性优化和投影步骤,在保持理论收敛性的同时,比现有方法更稳定高效。
基于信息量与效用理论的数据集蒸馏方法研究 / Grounding and Enhancing Informativeness and Utility in Dataset Distillation
这篇论文提出了一个名为InfoUtil的理论框架,通过结合博弈论和梯度分析,从海量数据中智能筛选出既包含关键信息又对模型训练至关重要的少量核心样本,从而在保持高性能的同时大幅压缩数据集规模。
TRACE:因果表征学习中连续机制演化的轨迹恢复 / TRACE: Trajectory Recovery for Continuous Mechanism Evolution in Causal Representation Learning
这篇论文提出了一种名为TRACE的新方法,它能够从观测数据中识别出随时间平滑变化的因果机制(例如车辆转弯或人从走到跑的过渡),并精确恢复其演变轨迹,突破了现有方法只能处理突变机制的局限。
交叉融合距离:一种衡量表征空间中数据组间融合与可分离性的新度量 / Cross-Fusion Distance: A Novel Metric for Measuring Fusion and Separability Between Data Groups in Representation Space
这篇论文提出了一种名为‘交叉融合距离’的新度量方法,它能有效量化不同数据组在表征空间中的混合程度,专注于捕捉真正影响融合的几何变化,同时忽略无关的全局缩放等干扰,为评估表征学习效果提供了一个更可靠的理论工具。
用于音频理解的表示正则化卷积音频变换器 / Representation-Regularized Convolutional Audio Transformer for Audio Understanding
这篇论文提出了一种名为CAT的新模型,它通过整合多分辨率信息来捕捉音频的层次特征,并利用一个创新的表示正则化目标来借用高质量的外部知识,从而在显著提升音频理解性能的同时,将训练收敛速度加快了五倍。
基于调制专家混合的多模态时间序列预测 / Multi-Modal Time Series Prediction via Mixture of Modulated Experts
这篇论文提出了一种名为‘专家调制’的新方法,通过让文本信息直接控制预测模型的内部‘专家’模块,有效解决了传统方法在数据稀缺或特征差异大时难以融合文本与时间序列数据的难题,从而显著提升了多模态时间序列预测的准确性。
基于黎曼流匹配的预训练视觉语言模型认知不确定性量化 / Epistemic Uncertainty Quantification for Pre-trained VLMs via Riemannian Flow Matching
这篇论文提出了一种名为REPVLM的新方法,它通过黎曼流匹配技术来量化视觉语言模型在预测时的认知不确定性(即模型对自身知识盲区的认知),实验表明该方法能近乎完美地反映预测错误,并可用于识别未知数据和自动化数据筛选。
广义线性模型的灵活经验贝叶斯方法及其在稀疏逻辑回归中的应用 / A Flexible Empirical Bayes Approach to Generalized Linear Models, with Applications to Sparse Logistic Regression
这篇论文提出了一种新的、无需手动调参的灵活经验贝叶斯方法,通过优化后验均值和先验参数来高效拟合广义线性模型,并在稀疏逻辑回归问题上展现出优越的预测性能。
一种用于通用大规模MIMO预编码的低复杂度即插即用深度学习模型 / A Low-Complexity Plug-and-Play Deep Learning Model for Generalizable Massive MIMO Precoding
这篇论文提出了一种名为PaPP的即插即用深度学习模型,它通过结合元学习和自监督训练,使得一个训练好的模型能够直接应用于不同基站、不同信号功率和不同信道质量的环境,无需为每个新场景重新训练,从而在保证高性能的同时,大幅降低了大规模MIMO预编码系统的计算能耗和部署难度。
基于先验信息的流匹配图重构方法 / Prior-Informed Flow Matching for Graph Reconstruction
这篇论文提出了一种名为PIFM的新方法,它巧妙地将基于局部信息的图结构先验知识与先进的生成模型相结合,通过一个连续优化的‘流匹配’过程,显著提升了从部分观测数据中准确、一致地重建完整图结构的能力。
请先 登录 后再提交论文