arXiv ID:
2601.21367
具有全局指导的赫布学习 / Hebbian Learning with Global Direction
1️⃣ 一句话总结
本文提出了一种结合局部与全局信息的新型赫布学习框架,通过全局信号指导局部学习,使其能在大型网络和复杂任务上取得接近反向传播的性能,从而克服了传统赫布学习因缺乏全局目标而难以扩展的局限性。
具有全局指导的赫布学习 / Hebbian Learning with Global Direction
本文提出了一种结合局部与全局信息的新型赫布学习框架,通过全局信号指导局部学习,使其能在大型网络和复杂任务上取得接近反向传播的性能,从而克服了传统赫布学习因缺乏全局目标而难以扩展的局限性。
面向大语言模型遗忘的逐参数任务算术 / Per-parameter Task Arithmetic for Unlearning in Large Language Models
本文提出了一种名为逐参数任务算术的新方法,通过为每个模型参数单独调整权重来精准移除大语言模型中的隐私信息,在有效遗忘的同时更好地保留了模型原有的其他知识,比传统方法更高效且实用。
在序列蒙特卡洛框架中研究神经网络的批次推断 / Investigating Batch Inference in a Sequential Monte Carlo Framework for Neural Networks
这篇论文提出了一种改进的序列蒙特卡洛采样方法,通过逐步引入小批量数据来近似贝叶斯神经网络的后验分布,在图像分类基准测试中实现了高达6倍的训练加速,且精度损失极小。
路由彩票:面向异构数据的自适应子网络 / Routing the Lottery: Adaptive Subnetworks for Heterogeneous Data
这篇论文提出了一种名为‘路由彩票’的自适应剪枝框架,它能在大型神经网络中为不同类型的数据自动发现并分配专门的、参数更少的子网络,从而在保持高性能的同时,让模型结构更好地匹配现实世界数据的多样性。
规范不变的表征和乐 / Gauge-invariant representation holonomy
这篇论文提出了一种名为‘表征和乐’的新方法,它通过测量神经网络内部特征在输入空间微小路径上的变化程度,来揭示传统相似性度量方法无法捕捉到的模型几何结构差异,并发现这种差异与模型的鲁棒性密切相关。
SAGE:面向生成式推荐的序列级自适应梯度演化 / SAGE: Sequence-level Adaptive Gradient Evolution for Generative Recommendation
这篇论文提出了一个名为SAGE的优化框架,旨在解决现有生成式推荐系统依赖独立词汇表导致的维护成本高、扩展性差,以及其优化策略对冷门项目更新不足和多样性下降的问题,通过序列级信号解耦和自适应梯度动态调整,有效提升了冷启动效果和推荐多样性。
评估BatchEnsemble的预测不确定性估计 / Evaluating Prediction Uncertainty Estimates from BatchEnsemble
这篇论文提出并验证了BatchEnsemble作为一种高效且通用的方法,能够在减少计算成本和参数量的同时,达到与复杂集成模型相当的预测不确定性估计性能,尤其适用于表格和时间序列数据。
基于学习投影的单调优化 / Monotone Optimisation with Learned Projections
这篇论文提出了一种结合机器学习与经典优化算法的新方法,通过训练神经网络直接预测优化过程中的关键投影步骤,从而在函数形式未知、仅有数据的情况下,大幅提升了单调优化问题的求解速度,同时保证了求解质量。
在时间信息缺失场景下稳健的随机微分方程参数估计 / Robust SDE Parameter Estimation Under Missing Time Information Setting
这篇论文提出了一种新方法,能够在观测数据的时间顺序信息丢失或混乱的情况下,同时恢复时间顺序并准确估计出描述动态过程的随机微分方程参数,从而将参数估计的应用范围扩展到了金融、医疗等对时间敏感但可能因隐私等原因无法提供精确时间戳的领域。
利用子空间系统辨识与定制机器学习算法进行无创颅内压估计:一种学习排序方法 / Noninvasive Intracranial Pressure Estimation Using Subspace System Identification and Bespoke Machine Learning Algorithms: A Learning-to-Rank Approach
这项研究提出了一种结合系统辨识和排序约束优化的定制机器学习方法,能够利用无创生理信号(如动脉血压和脑血流速度)来估算颅内压,为重症监护中安全、便捷的颅内压监测提供了新的技术基础。
请先 登录 后再提交论文