全部动态

本页 40 条
10月12日 周一
arXiv cs.LG75

元反思进化有效提升生产环境 AI 系统性能

arXiv:2610.12794v1 公告类型:新论文 摘要:大语言模型(LLM)引导的进化优化已成功改进提示词、程序,乃至整个 AI 系统。大多数优化方法从搜索前沿选择一个候选方案,然后仅依据其失败情况,通过单次 LLM 调用对其进行变异。这种对搜索前沿的聚焦可能使生产环境 AI 系统的优化陷入停滞,因为孤立的失败很难揭示复杂的隐性交互。我们提出 CoCoEvolve(Cortex Code Evolve),这是一种围绕我们所称的“元反思”构建的进化优化器:智能体式变异器(Cortex Code)选择性地从整个进化历史中检索证据,并探查实际运行的系统,然后验证并提出变异方案。我们将 CoCoEvolve 应用于三类生产环境 AI 系统的优化:数据智能体、LLM 驱动的数据流水线和数据工程工作流。在 DABStep 上,CoCoEvolve 位居公开排行榜榜首,在留出的高难度测试集上达到 92.8% 的准确率,而在相同条件下,Meta-Harness 和 GEPA 的准确率分别为 78.4% 和 30.4%。在六项 LLM 数据流水线工作负载中,它均优于所有接受评估的基线。在 data-eng-bench 上,CoCoEvolve 将测试集求解率从 59.1% 提升至 77.4%,超过了最佳基线的 73.6%。它在 HotpotQA 上的准确率也比 GEPA 高出 11 个百分点,同时在成熟的数学和系统基准测试上仍可与专用优化器保持竞争力。同等条件下的消融实验确认,CoCoEvolve 的每个组件都对这些提升有所贡献,体现了元反思在优化生产环境 AI 系统方面的价值。

arXiv cs.LG74

无坐标自动微分

arXiv:2610.12776v1 公告类型:新论文 摘要:自动微分(AD)是现代机器学习的基石。由于所有 AD 框架都隐式地固定了欧几里得空间的一组基来定义梯度和雅可比矩阵,因此它们原生处理的数学对象都是由一组固定坐标构成的数组。这使得旋转、体积形式和曲率等对象难以表达,而这些对象会出现在例如人工智能应用于科学的场景中。为特定问题定制的变通方案缺乏可复用性。我们证明:(i)单个与基无关的导数算子可以表示多种几何微分运算;(ii)该算子可以完全用现有的 AD 原语来表达。这种可复用的变换可以与 JAX 的批处理、编译和硬件加速功能组合使用。几何结构以代数数据的形式引入。我们通过实验展示了该变换在不同流形算子之间的复用、在时空逆问题处理流程中的组合,以及在不同旋转子子群上的优化中的应用。

arXiv cs.LG74

REDaCT:大型推理模型中的无崩溃遗忘

arXiv:2610.12769v1 公告类型:新论文 摘要:大型推理模型(LRMs)中的遗忘要求同时从推理轨迹和最终答案中移除遗忘集信息。现有方法以推理崩溃为代价实现这一目标,即模型无法生成连贯的思维链(CoT),也无法正常终止其推理过程。为应对这一挑战,我们提出 REDaCT(REgenerate via Detection and Corrective Tuning),一个面向 LRMs 的推理时遗忘框架。REDaCT 由两个关键组件构成:(1)一个二元泄露检测器,用于识别推理轨迹中泄露遗忘集信息的句子;(2)一个嵌入优化模块,通过离线学习获得纠正嵌入,在推理过程中首次检测到泄露时注入该嵌入,从而引导后续推理生成不泄露遗忘集信息的句子。实验结果表明,REDaCT 完全避免了推理崩溃,与最先进的遗忘方法相比,大幅提升了推理能力的保留程度,同时实现了完全的答案遗忘和近乎完全的 CoT 遗忘。我们的代码已公开:https://github.com/jmaccoby/redact。

arXiv cs.LG76

用于评估钙钛矿光伏领域机器学习的按来源分组评估方案

arXiv:2610.12766v1 公告类型:新稿 摘要:钙钛矿太阳能电池的机器学习模型通常采用随机数据划分进行评估,而我们发现,大量内部重复数据会使这种评估方式产生系统性的信息泄漏。由于经过整理的器件中,近三分之二与其他器件具有完全相同的配方,随机划分主要奖励的是对历史数据的简单记忆,而非检验真正的物理泛化能力。为解决这一问题,我们梳理了 Perovskite Database 中数据的机构来源,并建立了一套严格的分组划分层级,逐步将重复器件、发表文献和机构相互隔离。对十三种模型的基准评测在所有划分方式下均取得了新的最先进性能,并揭示了一种关键的表现格局转变:树集成模型虽然能通过识别熟悉的配方在随机划分中占据优势,但面对真正未见过的机构和未来发现时,其排名却大幅下滑,而具备组成感知能力的神经网络架构则表现出色。此外,特征重要性分析表明,器件结构和制备方法对最终效率的决定作用,与吸收层化学组成同样显著。这一标准化评估方案使研究界能够区分数据记忆与真正的物理发现。

arXiv cs.LG68

NV-Tesseract-AD: Curriculum-Enhanced Conditional Diffusion for Multivariate Time-Series Anomaly Detection

arXiv:2610.12754v1 Announce Type: new Abstract: We propose NV-Tesseract-AD, a curriculum learning-enhanced conditional diffusion framework for multivariate time-series anomaly detection. Our central hypothesis is that reconstruction difficulty can be explicitly structured along two complementary axes, masking severity and diffusion noise level, and that training from easier to harder tasks along both axes simultaneously stabilizes optimization and improves residual discriminability. We integrate a Transformer-based diffusion backbone with a three-stage dual curriculum over masking ratios and diffusion timesteps, retaining anomalous samples throughout training and relying on structured corruption to drive self-supervised representation learning. We evaluate NV-Tesseract-AD under two regimes: in-distribution training on the TSB-UAD-M corpus and strict zero-shot transfer to ten EasyTSAD benchmark families without per-dataset tuning. The dual-axis curriculum produces masking-invariant reconstruction, confirmed by a near-zero loss gap between complementary masking strategies within the first training stage, and yields an approximately 3.7-fold improvement in F1 and a 56 percent reduction in MSE relative to a non-curriculum baseline. Zero-shot performance reaches F1 = 0.984 on NAB and F1 = 0.948 on NormA. Weaker results on heterogeneous families are traced to unsupervised threshold calibration rather than reconstruction quality, identifying calibration as the dominant remaining detection bottleneck. Accelerated inference via DPM-Solver++ reduces sampling cost by a factor of 3.5 to 5.7 at the dataset level but couples to thresholding behavior, establishing that the sampler and threshold must be validated jointly. Together, these findings demonstrate that aligning diffusion denoising difficulty with curriculum learning principles provides a principled and practical approach for robust anomaly detection in complex multivariate time series.

arXiv cs.LG66

Static Gradient Attribution Underperforms a Density-Matched Random Mask on Loss-Based Forgetting Within LoRA B-Matrix

arXiv:2610.12744v1 Announce Type: new Abstract: Parameter-efficient continual learning updates a restricted subset of adapter parameters to incorporate sequential tasks while limiting catastrophic forgetting. Gradient attribution is a common rule for selecting that subset, but it requires an additional backward pass over calibration data. We identify a parameter-pool confound in comparisons between initialization-time gradient masks and unrestricted random masks under standard zero-initialized LoRA ($B=0$): the gradient with respect to $A$ is identically zero ($\partial\mathcal{L}/\partial A=0$), so gradient masks select strictly from the $B$ matrix whereas unrestricted random masks draw from both $A$ and $B$. Such a comparison changes both the selection rule and the candidate parameter pool. Isolating the selection criterion by restricting both approaches to the same parameter pool, we find a negative result: a uniform random mask consistently achieves lower loss-based backward transfer than gradient attribution across seven seeds on Qwen2.5-3B. The effect is concentrated on the medical task, which contributes 80\% of the aggregate; code and math move in the same direction, and legal shows no reliable difference. This advantage is consistent with a stability--plasticity trade-off under the tested task sequence, in which random masking slightly reduces single-task fitting. On the two discrete-option tasks (Medical and Legal), the mean accuracy-BWT difference is not statistically distinguishable from zero.

arXiv cs.LG63

Neural expectation-maximization and meta-models

arXiv:2610.12741v1 Announce Type: new Abstract: We interpret Transformer networks as learned approximations to a hybrid probabilistic-inference procedure that combines max-product Loopy Belief Propagation (LBP) with Expectation--Maximization (EM). In this view, a Transformer performs inference in partially observed Markov Random Fields (MRFs) whose structure and parameters are not given a priori but are inferred from data. We show that self-attention implements a differentiable approximation to max-product LBP on an input-conditioned, dynamically structured MRF, with attention weights encoding learned structural affinities. We further establish an EM correspondence at the level of depth: each layer updates latent representations in an E-step-like forward pass, while the transition $\theta^{(l)} \to \theta^{(l+1)}$ across layers acts as an implicit M-step. Building on this interpretation, we introduce \emph{meta-models}, a design paradigm in which inputs generate instance-specific parameters, unifying mechanisms such as self-attention, mixture-of-experts, and gated units within a single framework. Empirical results support the proposed perspective.

arXiv cs.LG69

KITE: A Knowledge-Injected Temporal Encoder for Time-Series Event Forecasting

arXiv:2610.12738v1 Announce Type: new Abstract: Forecasting rare, high-cost events in multivariate time-series systems is hard because their precursors are seldom observed, so a purely data-driven model has little to learn from. The engineers who run these systems, however, hold knowledge that precedes such events, information absent from the scarce labels. We call this a semantic prior and inject it into a self-supervised event forecaster through two switchable mechanisms, a covariate mechanism and an attention-bias mechanism, each the identity at its null, so one architecture serves every prior type with no per-dataset architecture search. A prior helps when it supplies information the observed window does not already contain: in a short context an informative prior beats no prior in-domain (pooled h-AUROC over the no-prior baseline: a periodicity clock +14%, p<0.001; a conservation residual +47% at a 0.25 label fraction), and a working prior transfers out-of-domain (+53%), substituting for feature transfer, while priors the window already recovers stay inert and the attention-bias mechanism shows no measurable gain. KITE is a switchable, attributable route to contextual conditioning, and a substrate for scaling toward cross-domain, pretrained time-series foundation world models that carry their governing structure explicitly.

arXiv cs.LG73

用于摊销式条件可解释性的核化参数敏感度图谱

arXiv:2610.12737v1 公告类型:新论文 摘要:基于梯度的归因能够提供模型参数随具体输入变化的信息,但通过反向传播为大量样本计算归因的成本高昂,而静态重要性分数又舍弃了对输入的依赖性。我们从经验神经切线核的分块分解推导出 KPSA(Kernelized Parameter Sensitivity Atlas)。该方法衡量归一化的参数组敏感度,将这些源样本嵌入显式查询空间,并使用轻量级核函数估计未见输入的敏感度。我们推导了将有限源样本误差与不可约表示误差分离的界,并给出了基于间隔的 top-$k$ 恢复保证。本文研究了两种可解释性应用。首先,KPSA 在视觉、预测和蛋白质建模场景中识别出对扰动高度敏感的参数组。在跨度为五倍的参数预算范围($0.02$-$0.1\%$)内,其选定参数组的扰动敏感度达到一阶反向传播预言机所选参数组的 $39$-$85\%$。在视觉和预测任务中,这些参数组构成跨越不同深度的稀疏敏感度回路,并随输入呈现系统性变化。其次,我们将 KPSA 用于 Transformer 中 MLP 特征的激活归因问题。在视觉任务上,它保留了反向传播预言机相对于恒定敏感度基线的性能优势的 $81\%$,同时将批量查询时的吞吐量从每秒 551 张图像提高到 2,041 张,并将 GPU 峰值显存占用从 4.55GB 降至 0.44GB。在蛋白质建模任务上,它恢复了这一性能差距的 $68\%$。对 KPSA 核聚合的消融研究表明,在 KPSA 空间中进行最近邻检索仍可保持竞争力。实证结果表明,紧凑的核图谱能够存储有用的、依赖于输入的参数敏感度信息,同时摊销重复梯度归因的计算成本,为实现可扩展的条件可解释性迈出了一步。代码见 https://github.com/Axym-Labs/kpsa 。

arXiv cs.LG76

参数高效微调的范畴图谱:锥、轨道与规范

arXiv:2610.12728v1 公告类型:新论文 摘要:参数高效微调已有数百种方法,通常以参数数量和基准测试得分进行比较。我们将它们作为映射来比较。预训练检查点是权重空间中的一个基点,而权重空间方法则是从一个小参数空间出发、以该点为起点的光滑映射。这些映射构成一个切片范畴,其中冻结模型是始对象,全量微调是终对象。映射的三个不变量承担了大部分分析工作。其在基点附近的像,通过一阶像、维数、秩的最小割界,以及该点是光滑点还是锥顶,决定表达能力。其纤维与优化器的度量共同决定训练动力学。基变换移动基点,并涵盖分裂初始化、量化、重启与合并。例如,我们证明:零初始化的 LoRA,以及在所述秩与奇偶性条件下采用默认初始设置的 Householder 反射适配,均从锥顶出发;任何精确初始化都无法使 LoRA 达到秩超过自身秩两倍的更新;在精确算术下,严格正交的方法无论合并多少次,都不会改变权重的奇异值;在不使用 epsilon、权重衰减或裁剪且共用同一调度方案的 Adam 下,从标准零初始化出发的 LoRA+,其轨迹与将缩放系数乘以学习率之比的普通 LoRA 完全一致;采用共享超参数的 Adam,在 LoRA 满秩因子的连续对称群中仅保持带符号置换对称性;激活函数决定缩放适配器何时可以折叠进前面的权重。我们依据从公式中提取的七个坐标,对来自 138 篇论文的 382 种方法进行了分类,其中包含 403 个模拟箭头和 485 个障碍。每个编号结果均给出完整证明,对重新推导的他人成果也均注明出处。

arXiv cs.LG76

空间上下文还是记忆?部分观测场的神经代理模型输入规模选择

arXiv:2610.12723v1 公告类型:新论文 摘要:通过稀疏、含噪传感器预测物理场的神经代理模型,会读取附近传感器构成的空间窗口以及过去快照组成的历史序列。实践者通过比较拟合后的模型来选择窗口大小和历史长度。然而,这类比较无法区分模型自身的不足与信息缺失所造成的误差。我们以相同观测数据对应的贝叶斯最优误差为基准,衡量窗口与历史之间的权衡。精确的高斯分析表明,对具有局部动力学的场进行含噪或稀疏观测时,最优预测仅通过空间相关性利用远处传感器的信息。在最优解已知的受迫线性场上,仅读取窗口的训练后模型,其误差与最优误差的差距不超过 1%。随后,我们在黏性 Burgers 流和混沌 Kuramoto-Sivashinsky(KS)方程上训练此类模型,并在任何测试评估之前确定所有用于得出结论的比较方案。在除 KS 之外的所有场中,随着预测提前量(即到预测目标的步数)增大,八个快照相较于单个快照所消除的误差比例变小。在 KS 中,当窗口不超过一个相关长度时,这一比例反而变大。这种随预测提前量变化的反转现象在不同传感器密度、三种模型架构以及二维区域中均持续存在。随着阻尼使 Lyapunov 指数降低,这种反转减弱。阻尼也会消除 KS 的线性不稳定性。因此,我们将这种反转与不稳定性联系起来,但并未区分混沌与线性放大的作用。这些结果为代理模型设计提供了两条规则:以场的相关长度为单位确定窗口大小;根据模型将要服务的预测提前量,在窗口与历史之间分配固定的输入预算,因为随着预测提前量增大,最优分配会向更宽的窗口倾斜。在 Burgers 流中,按预测提前量为一步时选定的分配方案,在预测提前量为八步时产生的误差达到该提前量下最优误差的 13.5 倍。

arXiv cs.LG65

Byzantine-Resilient Federated Large Language Model via Hypergraph Message Passing

arXiv:2610.12711v1 Announce Type: new Abstract: Federated Large Language Models (FedLLMs) are promising to deliver privacy-preserving, collaborative intelligence. The decentralized training process is vulnerable to Byzantine attacks that corrupt semantic consistency and factual resilience through malicious model updates. This paper presents a new resilience strategy that prevents semantically corrupted knowledge from propagating during federated aggregation. A defense problem is formulated to jointly maximize global accuracy and suppress manipulated model updates, enabling trustworthy knowledge aggregation without accessing private local data. To strengthen the resilience of FedLLMs, we develop a novel Hypergraph Message Passing Graph Autoencoder (HMP-GAE) framework, where low-rank model updates are represented as nodes in a hypergraph and high-order semantic relationships among multiple agents are exploited through iterative message passing. By leveraging historical checkpoints and cross-agent relational reasoning, HMP-GAE identifies and suppresses semantically inconsistent updates while preserving knowledge alignment among agents throughout federated training. HMP-GAE is implemented using Qwen-2.5 and Llama-3.2 as pretrained FedLLM backbones and evaluated on AG News and Yahoo! Answers datasets. Compared to existing defenses, HMP-GAE improves global accuracy by $1.21$\%, reduces final-model classification semantic entropy by $44.08$\%, and lowers perplexity by $13.34$\%. HMP-GAE outperforms the GAE-based defense by improving the accuracy $1.39$\%, reducing the semantic entropy by $54.5$\%, and lowering perplexity by $35.5$\%.

arXiv cs.LG74

用于逐样本约束生成的原始-对偶流匹配

arXiv:2610.12699v1 公告类型:新投稿 摘要:我们研究如何学习生成数据,使其以用户指定的约束满足概率满足预设的\emph{逐样本}约束。从总体层面的带约束负对数似然最小化问题出发,采用流匹配(FM)参数化,在正则性假设和速度场族具有充分表达能力的条件下,我们推导了相应原始-对偶优化算法的约束满足概率保证。我们给出了该方法的实用实现,称为 Primal-Dual Flow Matching(PDFM)。该方法能够直接控制约束满足率,且只需接收用于判断是否满足约束的二元成员资格判定反馈,无需可微距离、投影,也不要求约束集合具有凸性等特殊结构。我们表明,PDFM 在保持分布保真度的同时,相较于标准 FM 提高了约束满足率,并在与约束感知基线方法的比较中取得了具有竞争力的性能。代码已公开,地址为 https://github.com/ZhengyanHuan/PDFM。

arXiv cs.LG81

临界质量:结构不相交划分随其所基于的分子库而漂移

arXiv:2610.12694v1 公告类型:新论文 摘要:分子机器学习使用结构不相交划分来评估分布外性能,其构建规则在最初制定时便被固定在当时分子库的规模上:对成对距离设定阈值,再将完整的连通分量分配到各折中。在根据质谱预测结构的任务中,该领域已普遍采用基于短视的最大公共边子图(MCES)距离、阈值为 10 的单链接聚类。这一惯例是在 29,000 个分子的规模上确立的,但如今公共分子库已包含 227,690 个分子。每对分子的 MCES 计算都是 NP-hard 问题,而分子对的数量又呈平方增长,因此这一准则从未在如此规模上得到评估。我们提出了该准则的优化版本,使其能够以计算上可行的方式应用于公共分子库:通过可容许界和并查集跳过策略,将 $2.6 \times 10^{10}$ 个分子对的计算缩减为仅 $1.15 \times 10^{7}$ 个整数规划问题,计算量减少至原来的 $1/2{,}259$,同时可证明所得划分完全无损。我们发现,在这一规模下,图发生了渗流。单个连通分量包含分子库中 $95.5\%$ 的分子,使任何测试集的占比上限仅为 $4.5\%$。剩余部分不仅规模更小,还存在系统性差异:留出化合物的分子量有 88.1\% 的概率大于训练化合物,因为固定的绝对差异预算对较大分子意味着更严格的相对容差。因此,在大型分子库基准测试中直接使用这一划分规则,会将结构新颖性与向更大、更复杂化学结构的外推混为一谈。

arXiv cs.LG77

以专家水平检测脑电图低电压间期,作为新生儿脑病的稳健生物标志物

arXiv:2610.12680v1 公告类型:新论文 摘要:背景:新生儿脑电图的不连续性是脑功能障碍的重要标志,但难以通过目视进行量化。爆发间期(IBIs)是不连续性的关键特征,但其定义不易直接用于人工智能检测。目的:引入仅由振幅和持续时间定义的低电压间期(LVIs),作为不依赖上下文的 IBIs 替代指标,开发 LVIs 的人工智能检测方法,并评估其作为脑损伤标志物的临床效用。方法:我们开发了用于检测 LVIs 的 ConvNeXt 模型,并将其性能与现有方法进行比较。随后,我们在四种应用场景中检验了所检测 LVIs 的临床相关性:1)在开放基准数据集上对脑电图背景活动异常进行分级;2)对临床缺氧缺血性脑病(HIE)进行分级,并与正常脑电图数据集进行比较;3)预测癫痫发作;4)分析其与癫痫发作负荷的关联。结果:为开展训练和验证,我们审阅了来自 123 名新生儿、按单通道累计 654 小时的脑电图,并标注了 51,162 个 LVIs。在留出验证集上,ConvNeXt 的曲线下面积(AUC)为 0.996,Matthews 相关系数为 0.926。模型与阅图者之间的一致性高于阅图者之间的一致性($\Delta \kappa = 0.025$,95% 置信区间:0.007 至 0.045,$p<0.001$),达到与专家水平相当的表现。在包含 444 名新生儿的合并数据集中,LVI 时间占比与脑电图分级呈强相关(Spearman $\rho=0.801$),与 HIE 分级呈中等相关($\rho=0.384$),与癫痫发作负荷呈较弱相关($\rho=0.244$),并具有较强的癫痫发作预测能力(AUC $=0.872$)。结论:人工智能对 LVIs 的检测达到与专家水平相当的表现,而定量特征未达到这一水平。自动化 LVI 量化为新生儿脑病提供了一种稳健的临床生物标志物,与脑电图背景活动、HIE 严重程度及癫痫发作风险相关。

arXiv cs.LG71

Amortised Inference through One-Step Implicit Sampling

arXiv:2610.12679v1 Announce Type: new Abstract: Efficient sampling from Bayesian posterior distributions in high dimensions remains a hard problem, despite advances in theory and algorithms. Multiple steps are usually required to draw unbiased samples, for example, iterations of an MCMC algorithm or integration steps in a diffusion-based amortised sampler. However, scalable one-step amortised inference remains a challenging open problem. In this work, we build upon recent progress in data-driven generative modelling to offer a possible solution for one-step amortised sampling. Our one-step implicit sampler (OSIS) uses short-time MCMC dynamics to define a local target for the evolution of an implicitly modelled distribution. In the asymptotic limit, the modelled distribution is a fixed point of the MCMC kernel and thus samples from the target. We analyse the convergence properties of OSIS and show connections with other generative modelling and sampling algorithms. We study various design choices and show that OSIS performs well compared to multi-step amortised samplers and non-amortised MCMC baselines while being far more efficient at sampling time.

arXiv cs.LG72

面向智能体持续学习的循环式运行框架

arXiv:2610.12668v1 公告类型:新论文 摘要:语言模型智能体越来越多地在长交互流中运行,需要通过持续学习在线适应分布偏移。然而,现有智能体运行框架通常要么仅通过前向信息流更新状态,要么依赖额外的回放数据或验证数据来优化运行框架。为此,我们提出 ReHarness,这是一种面向智能体持续学习的循环式运行框架,在严格在线的流式协议下,以反向修订补充前向读写。我们探究:运行框架状态中的哪些信息本可以通过不同的方式记录,从而为处理流中的当前实例提供更有效的参考。具体而言,在每个实例处理完成后,我们利用产生的轨迹作为反馈,修订为该实例检索出的反思内容,从而使反馈沿文本形式的运行框架状态反向传播。在三个持续学习基准和三种语言模型骨干上,ReHarness 均持续优于强大的原始上下文基线、基于记忆和反思的方法以及提示词优化方法。进一步分析表明,ReHarness 能够生成有来源依据且有意义的修订,在分布偏移下纠正过度泛化或过时的经验,并提升持续学习过程中的稳定性和可塑性。

arXiv cs.LG69

Data-driven Optimal Sensor Placement for Aerosol Monitoring in the UK

arXiv:2610.12658v1 Announce Type: new Abstract: We develop a data-driven sensor-placement framework and apply it to aerosol monitoring in the United Kingdom (UK). A trained convolutional Gaussian neural process is embedded within the DeepSensor optimisation framework. Genetic optimisation with lazy evaluation and caching reduces mean computational time by 60\% (10$\pm$3 versus 25$\pm$7 minutes) while producing sequential placement performance comparable to the greedy solver. Using the CAMS reference field to construct a retrospective oracle benchmark, Joint NLL improves by about 22\% for Joint-MI-driven genetic placement after five locations for aerosol stations are identified. Seasonal and wind-regime analyses show that agreement between model-based criteria and oracle benchmarks varies with meteorological transport conditions. These results show a computationally efficient approach for data-informed expansion of environmental observing systems.

arXiv cs.LG77

Kronecker Product Attention:通过结构化分解实现内存高效的 KV 压缩

arXiv:2610.12657v1 公告类型:新提交 摘要:高效自回归生成日益受到键值(KV)缓存内存占用的限制,该占用随序列长度、批量大小和模型深度线性增长。现有方法,如 Multi-Query Attention(MQA)、Grouped-Query Attention(GQA)、Multi-Head Latent Attention(MLA)和 Tensor Product Attention(TPA),通过不同的权衡降低这一成本,但往往会牺牲表达能力、需要额外的位置编码机制,或施加限制性的低秩结构。我们提出 Kronecker Product Attention(KPA),将键和值的激活表示为若干 Kronecker 积之和,每个积由紧凑且依赖于词元的矩阵因子构成。KPA 是 TPA 的严格推广:秩一向量外积分解是 Kronecker 划分的一种退化情形,而非退化矩阵因子则能表示更丰富的块结构模式。我们进一步表明,与 Kronecker 表示相匹配的结构化旋转嵌入算子,仅旋转紧凑因子即可保留 RoPE 的相对位置性质,从而无需像 MLA 那样使用解耦的 RoPE 分支。实验结果表明,在相同训练条件下,KPA 在四种模型规模和九项下游基准测试中的表现达到或超过 TPA、MHA、MQA、GQA 和 MLA,同时实现高达 10 倍的 KV 缓存压缩。Kronecker 注意力头划分是一个可调超参数,使实践者能够在设计阶段权衡压缩率与准确率,而无需更改架构。

arXiv cs.LG76

SynAct:面向 LLM 智能体的协同主动反馈学习

arXiv:2610.12651v1 公告类型:新论文 摘要:执行多步骤工作流的 LLM 智能体会以两种根本不同的方式失败:一种是可恢复的失误,可通过进一步尝试修正;另一种是知识缺口,无法通过重试解决。专家反馈可以弥补后者,但专家的注意力资源稀缺。因此,关键挑战不在于是否寻求反馈,而在于在哪些环节反馈能够改变结果。现有方法要么避开专家反馈,任由智能体强化自身错误;要么在任务层面分配反馈,却未能识别会对结果产生实质影响的决策。我们提出 SynAct,这是一种主动学习框架,将专家注意力视为关键制约因素,并在单个决策层面分配反馈。SynAct 根据重复执行轨迹中所选动作与最终结果之间的互信息对决策排序,在价值最高的决策处向专家征询意见,并将所得修正提炼为可迁移的规则,使智能体在部署时无需访问专家即可复用这些规则。我们从理论上刻画了这一信号在有限次重复采样下能够识别的内容:在 k 次执行轨迹、每个动作至少有 m 次观测的条件下,结果恒定的决策的互信息为零,而能够区分结果的决策的互信息至少为 H2(m/k) 比特,因此,对于区间 (0,H2(m/k)) 内的任意阈值 t,均可实现精确分离。这也解释了为什么在所有执行轨迹均失败时,基于成功与否的采集策略可能失去辨别能力:即使失败的运行产生了不同结果,成功与否这一变量仍保持恒定。在涵盖三个模型家族的四个模型和四项智能体基准测试中,SynAct 在全部 16 种评估设置下均提高了留出集准确率,平均提升 11.7 个百分点。同一信号还可迁移至推理时路由:在 16 种设置中的 15 种中,SynAct 优于预算相同的级联路由器、基于不确定性的路由器和专家评判路由器;同时,一次有针对性的修正优于额外进行七次无针对性的重试。

arXiv cs.LG62

Machine Learning and Time-Series Foundation Models for Day-Ahead Electricity Forecasting in a University Building

arXiv:2610.12638v1 Announce Type: new Abstract: Day-ahead electricity forecasts can help building operators schedule heating, ventilation, and other services around anticipated demand. Choosing a forecasting model also requires balancing accuracy with its forecast-time inputs, local training, and computational requirements. We benchmark statistical, machine-learning, recurrent neural-network, and pretrained TimesFM models for a university building. We use chronological validation and evaluate all configurations on the same 57 test days, comparing accuracy across workdays, weekends, and holidays alongside local fitting and forecasting time. Weather covariates use retrospective observations. TimesFM 3.0 with covariates achieves the lowest overall errors, reducing mean absolute error by approximately 43\% relative to weekly seasonal-naive forecasting. XGBoost remains competitive, although paired daily comparisons do not establish a clear mean-absolute-error advantage for TimesFM. TimesFM also performs strongly using only past electricity consumption. Adding covariates improves its holiday forecasts but slightly worsens workday and weekend forecasts, leaving overall mean absolute error almost unchanged. TimesFM requires no building-specific weight training, while XGBoost offers rapid local fitting and inference. The evaluated LSTM takes longer to fit without outperforming either approach. An exploratory historical evaluation reveals seasonal variation, while a separate weather-source comparison produces only small changes in the selected TimesFM configuration's accuracy. These results support pretrained TimesFM as a strong initial forecasting baseline for this building, with XGBoost as a competitive locally fitted alternative. Covariates are particularly useful when improved holiday forecasts justify the additional input preparation.

arXiv cs.LG77

STAPLE:通过嵌入模块对预训练检查点进行静态稀疏升级

arXiv:2610.12599v1 公告类型:新论文 摘要:稀疏计算可以扩展大语言模型的参数容量,而无需按比例增加实际计算量,但稀疏架构的预训练仍然成本高昂,且需要大量数据。现有的稀疏升级方法主要针对混合专家模型,其中专家同质性、样本效率低下和系统开销可能限制实际可扩展性。静态稀疏记忆具有可预测的访问模式和词元特定的更新机制,有助于应对这些挑战,但将其直接整合到预训练计算中收益不佳。在本研究中,我们提出 STAPLE,这是一种基于 STEM、将静态稀疏记忆整合到预训练模型中的方案。STEM 用按词元索引的嵌入替换 FFN 的升维投影,而 STAPLE 保留这些投影,并将嵌入作为残差路径加入,从而在保留预训练计算的同时,以可扩展的方式学习互补的词元特定信息。在 OLMo-2 1B 上,相比继续进行稠密训练,STAPLE 在 HumanEval、MBPP、GSM8K 和 DROP 上分别提升了 4.27、2.80、2.27 和 1.65 分。平均性能随静态容量的增加而提升,且在更大的 OLMo-2 7B 骨干模型上仍有改善。STAPLE 还优于 STEM 和 Engram 风格模型等静态稀疏基线;在我们面向吞吐量的解码评估中,其平均得分高于 MoE 升级基线,解码速度达到该基线的 2 倍,而 GPU 模型显存占用和实测每词元 GPU 能耗均不到该基线的一半。重要的是,尽管在训练后期引入了数十亿参数,我们采用主机卸载的实现仅需在 GPU 上缓存使用频率最高的约 5% 的嵌入,就能使生成吞吐量与稠密基线的差距保持在 1.5% 以内,训练吞吐量的差距保持在 3% 以内。这些结果表明,静态稀疏记忆可以为扩展预训练模型提供一条样本高效、可扩展且可持续的路径,而无需从头进行稀疏预训练。

arXiv cs.LG73

真实性与准确性:生成建模视角下的事件序列预测

arXiv:2610.12586v1 公告类型:新论文 摘要:事件序列是由随机事件构成的链,其中每个事件都由异构特征(数值型和类别型)描述。事件序列预测问题广泛存在于金融、医疗、业务流程智能等领域。在本研究中,我们将事件序列的多预测跨度预测视为一个条件生成建模问题。我们不仅评估预测的准确性,还评估其分布真实性。为此,我们提出了一个基准,涵盖衡量这两个质量维度的指标、强大的统计基线方法、从相邻领域改编的近期模型,以及经过精心整理的真实世界数据集。细致的评估表明,没有任何方法能在准确性和真实性两方面均表现优异,这凸显了两者之间的根本性权衡。最后,我们提出了 Wasserstein BaryBooster,该算法将真实性表现出色的扩散模型生成的样本进行聚合,构建出达到当前最先进水平的预测器,证明分布真实性可以转化为预测准确性。代码可在 https://github.com/xaosina/event-sequence-forecasting 获取。

arXiv cs.LG76

DiffusionART:高效、稳定且可扩展的扩散模型强化学习

arXiv:2610.12572v1 公告类型:新论文 摘要:在线强化学习(RL)通过黑盒奖励对扩散模型进行微调,但 Flow-GRPO 等逆向过程方法因信用分配不佳而效率受限,DiffusionNFT 等前向过程方法虽然高效,却需要精心调优的指数移动平均(EMA)离策略训练才能保持稳定。我们发现,NFT 风格的目标函数中隐含着一种前向—逆向一致性作用力,正负联合训练只能部分抵消这种作用力,而 EMA 是通过恢复机制而非离策略轨迹采样来稳定训练的。我们提出 DiffusionART(采用聚合优先奖励倾斜的扩散强化学习),将每个提示词对应的奖励聚合为逆向过程状态共享的奖励提升方向,从构造上消除一致性作用力,并增加一次采用信赖域掩码的二次更新,以实现自适应于漂移的恢复,无需调优 EMA。该方法不需要可微奖励模型,在每个提示词的采样数量更少时仍然有效,并支持成对奖励模型(DiffusionART-Pairwise)。在图像和视频生成任务中,DiffusionART 无需针对各任务单独调优,即可实现高效、稳定的训练。具体而言,在 HunyuanVideo-13B 上,当视觉质量与运动质量奖励权重相同时,DiffusionART 达到 DiffusionNFT 和 Flow-GRPO-Fast 训练后期平均奖励水平所需的 GPU 小时数分别仅为二者的 1/12.02 和 1/11.72,同时平均训练奖励分别高出 28.8% 和 53.0%。

arXiv cs.LG74

一种可通过训练执行上下文学习的全晶体管物理学习 transformer

arXiv:2610.12571v1 公告类型:新论文 摘要:大多数通过平衡传播或耦合学习训练的系统与多层感知机属于同一类:虽然它们可能是通用函数逼近器,但却难以学会对 transformer 而言很容易的关联任务。平衡传播依赖于信息在物理系统的输入与输出之间双向流动。更复杂的非线性系统会破坏反向信息流,例如执行乘法运算的系统,而乘法是实现点积注意力所必需的。在这里,我们在双重或二元电路中引入专门用于此目的的额外电路元件,显式恢复这种双向信息流。随后,我们利用这些思路,构建了一种利用亚阈值 MOSFET 器件指数电流定律的注意力机制。我们通过仿真表明,尽管使用的实际反向元件只能传递近似梯度,该电路仍可通过训练执行一项简单的上下文学习任务。要使训练成功,我们需要使用交叉熵损失,而非均方误差。我们利用一种新型浮置电路元件生成适用于该损失的微扰,该元件基于与 softmax 所用相同的 MOSFET 子电路。我们使用 Lion 优化器训练该电路中的电阻;实现这一优化器时,每个参数只需一个电容器,即可在局部存储对以往梯度估计的记忆。

arXiv cs.LG73

样本自适应零阶后训练

arXiv:2610.12566v1 公告类型:新发布 摘要:零阶(ZO)优化为大型语言模型微调提供了一种内存高效的反向传播替代方案。然而,现有 ZO 方法通常均匀采样训练样本,忽略了样本重要性的动态变化,并产生了本可避免的估计方差。为解决这一局限,我们提出 Sample-Adaptive Zeroth-Order Optimization(SAZO),该方法在线学习样本重要性,并自适应分配查询以加速收敛。SAZO 从已有的方向差分中提取梯度范数信息,无需获取真实梯度即可估计样本重要性。此外,为利用稀疏的小批量反馈跟踪不断变化的重要性,SAZO 为每个样本维护指数移动平均值,汇总多次更新中的观测结果。与 MeZO 相比,该方法无需额外的模型求值,且仅需 $O(N)$ 的额外标量状态。我们证明,SAZO 在渐近意义上可达到最小方差采样预言机的收敛主导项,并实现比标准方法严格更快的收敛速率。在四个模型系列上开展的大量实验表明,SAZO 提升了平均下游任务性能,并且以查询次数衡量,收敛至相同训练损失的速度最高可提升至 $6\times$。

arXiv cs.LG72

基于 Transformer 的掩码扩散模型可被证明能够学习具有潜在结构的分布

arXiv:2610.12544v1 公告类型:新论文 摘要:掩码扩散模型(MDMs)使用学习得到的掩码预测器,通过迭代地并行解除多个词元的掩码来生成离散数据。其输出包含两类误差:并行采样导致的并行化误差,以及由有限样本学习得到的掩码预测器产生的估计误差。现有理论分别处理这两类误差,且已有的统计界通常随大小为 $V$ 的词表上长度为 $L$ 的序列数量 $V^L$ 增长,因而受到维数灾难的困扰。在本研究中,我们建立了端到端的统计保证,表明基于 Transformer 的 MDMs 能够学习结构化分布,其样本复杂度由分布的潜在结构决定。具体而言,我们通过隐马尔可夫树的混合来建模这种结构,以捕捉各分量内部的潜在依赖关系以及不同分量之间的异质性。当数据分布能够由此类混合分布良好近似时,采用并行解掩码调度的基于 Transformer 的 MDM 仅需 $\widetilde{O}(LK_{\mathrm{par}}/\varepsilon)$ 个训练样本,即可实现以 KL 散度衡量的 $\varepsilon$ 精度采样,其中 $K_{\mathrm{par}}$ 是关于 $L$、$V$、隐藏状态数量和混合分量数量的多项式。Transformer 网络和采样过程均无需知晓树的拓扑结构或分量参数,从而能够自动适应未知的潜在结构。总体而言,我们的结果为 MDMs 在真实世界数据上的实际有效性提供了理论依据。

arXiv cs.LG65

Enriched Holomorphic Neural Networks for 2D and 3D Laplace Problems

arXiv:2610.12541v1 Announce Type: new Abstract: Boundary-value problems for the Laplace equation develop singular behaviour near corners, edges and junctions that smooth approximators resolve poorly. We combine holomorphic neural networks with singular functions derived from the local geometry and boundary conditions. The representation is harmonic by construction, so no interior residual is needed: the network fits the smooth remainder from boundary data alone, and the enrichment terms capture the singular behaviour. Singular exponents are trainable, so the construction also applies when the local expansion is not known in advance. We extend the approach to three dimensions using independent networks evaluated along complex null directions. The enriched model is the most accurate tested method on every problem. Its margin is several orders of magnitude where the enrichment captures the singularity exactly, and a factor of about 1.7-2.1 over the next-best method on a CdZnTe radiation detector with many singular sites, in both two and three dimensions.

arXiv cs.LG75

结局依赖的截断与删失下生存分析模型的高效学习

arXiv:2610.12538v1 公告类型:新论文 摘要:现代机器学习模型的训练通常假定训练数据能够代表模型未来将面对的预测任务,但实际数据集往往违背这一假设。我们聚焦于结局依赖的截断,即一条观测是否出现在训练数据中取决于其标签。我们的工作将两个在很大程度上相互独立的研究领域联系起来:截断条件下的高效学习与生存分析。现有的截断生存分析方法并未刻画优化景观,而是依赖期望最大化等迭代过程。我们填补了这一空白,并证明:当基线风险函数已知时,即使存在非凸性,也可以使用一阶优化方法,在截断且右删失的数据上高效学习 Cox 回归。相比之下,当联合学习基线风险函数时,我们构造了可识别且设定正确的模型,其负对数似然包含严格次优局部极小值。在四个生存数据集上的实验表明,考虑截断能够减少朴素 Cox 回归引入的预测偏差,且这一方法可扩展至神经网络。我们还表明,与标准期望最大化方法相比,该方法可实现数个数量级的加速。

arXiv cs.LG72

通过因果基础模型估计市场冲击

arXiv:2610.12537v1 公告类型:新论文 摘要:当交易者执行一笔大额订单时,关键问题不是\emph{价格会是多少?},而是\emph{如果我没有交易,价格本来会是多少?}因此,市场冲击是一个因果量,然而经典模型(Almgren--Chriss、传播子模型)将价格对订单流进行回归,只要知情订单流既通过信息又通过交易推动价格,这种方法就会产生偏差。我们提出了一个概念验证性的 \emph{Causal Market Simulator}:一种连续时间因果先验数据拟合网络(PFN),在合成市场先验上训练。该先验在构造上使隐藏的信息性订单流混杂订单流与价格之间的关系,并将混杂强度设为每个模拟回合均可精确调节的参数。在该先验下,朴素估计器的偏差遵循一个闭式表达式,我们通过实证验证了这一点(高估幅度最高达 68\%);而在强混杂条件下,PFN 的表现接近使用真实参数的无偏理想估计器。它的 \emph{do 消融孪生模型},即移除干预输入后的同一模型,则退化为输出前置窗口均值。在零样本条件下,模型对 ABIDES 限价订单簿中的元订单作出了与真实值尺度一致的响应(相对于随机种子重放生成的反事实,响应为起始前标准差的 $+0.38$ 倍);其干预响应也在 BTC/ETH/SOL 永续合约中检测到的约 2,300 次订单流突增,以及 Nasdaq 股票中的 3,800 次订单流突增上得到复现。这些证据与因果迁移相符,但并不能证明因果迁移。偏离先验分布时,响应性能平缓下降,而分割保形重校准能够修复区间校准。迁移的关键在于将元订单编码为新增订单流,而非固定的价格水平,而不在于增加训练。一个循环状态空间变体弥合了剩余的形态差距:其冲击在执行期间逐步累积,而 Transformer 的冲击则保持平坦,使其与实测元订单冲击的相关系数从 $+0.68$ 提升至 $+0.92$ 至 $+0.96$,代价是在先验分布内的去混杂能力较弱;这一弱化源于训练方案,而非循环结构。

arXiv cs.LG76

CacheScope:用于免训练扩散加速的精确计算分配

arXiv:2610.12530v1 公告类型:新论文 摘要:免训练特征复用通过在选定步骤中用缓存近似替代完整的去噪计算,加速扩散 Transformer 推理。现有方法主要致力于改进被跳过特征的重建,但我们发现,一旦采用稳定的一阶重建器,增加重建复杂度所带来的收益就十分有限,而精确计算步骤的位置对保真度的影响要大得多。更重要的是,浅层探针变化的绝对量同时受到输入轨迹位移和网络响应强度的影响,因此不能直接反映缓存风险。为消除这种混杂影响,我们用相应的输入位移对探针输出变化进行归一化,得到单位轨迹移动的方向增益。基于这一信号,我们提出了 CacheScope,它可在线识别高风险复用步骤,并选择性地回退到完整的去噪计算,同时保持底层缓存重建器不变。CacheScope 无需额外训练、梯度、辅助网络,也无需针对特定提示词进行离线调度优化。在 FLUX.1-dev、Wan2.1-T2V-1.3B 和 Open-Sora 1.2 上,CacheScope 实现了最高 3.57 倍的加速,并且相较于最强的基于探针的基线方法,将 LPIPS 中位数最多降低了 70.1%。

arXiv cs.LG77

GlucoPRISM:用于跨队列血糖迁移的协议监督预训练

arXiv:2610.12528v1 公告类型:新论文 摘要:连续血糖监测(CGM)基础模型将每天的数据编码为一个向量,其中混合了个体身份、当天发生的情况以及传感器的测量方式,因此测量差异会随表征一同迁移到新队列中。我们探讨预训练能否将损害迁移效果的测量成分置于已知坐标中,从而在部署时通过固定投影将其移除,且无需目标数据。GlucoPRISM 利用响应约定来监督 GlucoFM 骨干网络,这些约定规定了仅日期变化或仅传感器变化时,表征的各个部分应如何变化:64 维的 Trait 分区不应随两者中的任何一个变化,48 维的 State 分区应仅随日期变化,而 16 维的 Sensor 分区应反映设备变化。基于配对的 Dexcom 和 Libre 记录校准的合成传感器视图、不同日期的数据对以及血糖汇总指标目标,在无需临床标签的情况下提供了这种监督。在十二个跨队列迁移方向上,从同一个冻结编码器的表征中移除 Sensor 分区,使平均迁移 AUROC 从 68.75 提高至 73.57,而 GlucoFM 为 69.3。这一提升包含两个部分。在迁移至 CGMacros 时,过滤带来了 11 至 19 个点的提升;CGMacros 是唯一使用两种传感器类型采集数据的目标队列,而且在使用一半参与者的数据重新校准生成器、并在另一半参与者的数据上进行评估时,这一提升依然成立。在其余八个方向上,过滤未产生明显影响,而编码器本身比 GlucoFM 高出 3.5 个点。过滤后仍可通过线性解码识别设备,因此该过滤器移除的是损害迁移效果的设备相关成分,而非所有测量信息。保留的分区在十四个公开任务—队列组合中的十三个上提高了窗口级 AUROC(Holm 校正后 p=0.031),并在一个包含 9,303 名参与者的外部队列中,提高了十五个临床终点中的十四个的相关性。

arXiv cs.LG74

基于净计量智能电表的表后光伏可观测性:部署场景与运行启示

arXiv:2610.12527v1 公告类型:新论文 摘要:配电运营商需要掌握表后光伏(PV)发电情况,但对大多数居民用户的观测仅能通过净计量智能电表实现。基于深度学习的光伏发电分解能够恢复这种可观测性,但其运行价值取决于模型是服务于已知用户、新用户、未来时段还是新区域。我们利用四种将家庭间迁移与时间外推分开考察的部署场景,量化了这种依赖关系,并将其应用于 Ausgrid 智能电表数据,同时开展向 Pecan Street 数据的跨数据集适配。在固定训练方案下,我们采用与部署场景相匹配的评估方式,对用于光伏发电分解的代表性深度序列架构进行基准测试。在上下文长度固定为 48 小时的条件下,最佳模型在未来测试时段内对已见家庭的日间平均绝对误差(MAE)为 0.104 kW,而对同一时段内未见家庭的误差升至 0.185 kW;在训练约束固定的条件下,部署场景对误差变化的解释力远高于模型选择。采用目标域归一化后,利用目标区域五户家庭的数据进行微调,可使源模型的迁移误差降低 28%—36%。较长的输入窗口有助于已知用户的时间外推,但对新用户的收益因模型而异。这些发现表明,能源数据分析应采用与部署场景相匹配的误差预算,在新区域利用少量目标域监督数据进行模型适配,并根据具体应用场景选择上下文长度。

arXiv cs.LG69

CircuitTree: Composing Circuits into A Syllable Transcriber

arXiv:2610.12520v1 Announce Type: new Abstract: The goal of circuit discovery is to decompose a monolithic neural network into tiny modular subnetworks which are interpretable in the sense that each does an identifiable subtask. We develop a practical method for composing arbitrarily many circuits into a single model. We propose a greedy, density-scaled composition algorithm that overcomes limitations of previous attempts to compose circuits by naive union, then generalize it to $N$ circuits via CircuitTree, a new data structure built on a $\Theta(N\log N)$ tree-compose schedule. We compose circuits pruned from HuBERT for classifying individual phonemes into a syllable classifier, a capability none of the 39 phoneme circuits has individually. Chaining CircuitTrees into a hierarchy-of-circuits pipeline, we transcribe open syllables at 64.8\% accuracy, within 1.2 points of a 66.0\% ceiling that shares no circuitry at all, with 99.5\% of circuit components shared.

arXiv cs.LG67

An Input-Dependent Readout Phase for Resonant Sequence Models

arXiv:2610.12496v1 Announce Type: new Abstract: Sequence models with a fixed-size state avoid the quadratic cost of attention, but face a design choice. An input-dependent state transition gives content-dependent memory at the cost of FFT-based training, while a fixed transition keeps the O(T log T) convolutional path but reads memory the same way for every input. ResonatorLM, a recent model of the second kind, reads a bank of damped complex oscillators through a fixed learned phase per head. We make that readout phase a function of the current token, which adds input dependence to the read only, keeps the convolution exact, and costs 0.2 percent more parameters. An analysis of the untrained bank shows that phase does encode elapsed time, but an ordinary token falls below the background within 2-8 steps and no choice of damping extends linear reconstruction beyond about 16 tokens. In 6M-parameter character-level models on WikiText-2, the input-dependent phase matches the original at the training length and removes its failure beyond it: trained on 256 tokens and tested on 1024, perplexity falls from 12.81 to 3.76. We trace the failure to long-memory heads that accumulate more history than training exposed them to. The learned phase tracks the current character rather than distance and does not improve retrieval.

arXiv cs.LG50

Kairos: Toward a Byte-Level Foundation Model for Every Modality

arXiv:2610.12495v1 Announce Type: new Abstract: Small language models trained on a single local machine leave little room for architectural trial and error. Kairos combines bidirectional gated-DeltaNet linear attention and sliding-window attention over shared projections (LiZAttention2), block-wise Attention-Residual aggregation, a sparse Mixture-of-Experts (MoE) feed-forward layer and a multi-scale byte-level codec, trained with a uniform-noise denoising objective over one byte space shared by text, image, audio, video, lidar and control streams; this report asks whether the combination optimizes at all before asking whether it is useful. We give code-derived algorithms for each component, including a cross-session recurrent-state memory gate, then run convergence sanity checks: overfittinga single 440-byte sentence at 1--15M parameters, text only, with three seeds for codec and attention choices and single-run sweeps for seven further factors. The two attention variants tested at 3\,000 steps (LiZAttention2 and window attention alone) reach a minimum loss near $10^{-3}$. After 600 steps, the mean minimum loss ranges from 0.018 (patch codec) to 0.354 (depthwise convolutional codec) with an identical ranking on three seeds. An apparent advantage of shared over separate attention projections closes with more steps or more diverse data and reverses when the projections are frozen: it is a convergence-speed effect, not a capacity effect. These checks suggest that the implementation optimizes; they say nothing about generalization, multimodal training or comparison with existing models, which a planned pretraining run is meant to address. The Discussion sizes a 200M-total/25M-active target analytically; none of its throughput figures is measured. Code is available at https://github.com/fabienfrfr/Kairos . Python package at https://pypi.org/project/kairos-fm/ .

arXiv cs.LG74

面向机器学习应用的代数整数量化

arXiv:2610.12494v1 公告类型:新论文 摘要:本文提出代数整数数值格式(AINF),作为一种支持高度可配置、高精度压缩计算的框架。AINF 的一个关键特性是能够直接归约为纯整数算术,从而实现无误差的乘加运算。我们开发了一种利用该特性的矩阵乘法引擎,其性能与现代硬件加速器上最高效的同类数值计算实现相比,差距处于可预测的倍数范围内。AIQ 的另一个关键优势是可以根据给定用例的数值特征,自由选择适合的代数整数,从而提供浮点或定点格式从根本上无法实现的优化机会。基于这些特性,我们引入了代数整数量化(AIQ),这是一种用于大语言模型(LLM)推理的有损压缩格式,并通过结果表明,在每个参数的比特数预算相同的情况下,AIQ 在多种模型和基准测试中均能达到与行业标准 MX 格式相媲美的准确率。本文所述实验采用二次代数整数;推广到更高次、尤其是多维代数整数,有望带来更大的计算优势,仍是未来研究中一个前景广阔的方向。

10月9日 周五
arXiv cs.LG73

SOL:通过双切片 Wasserstein 度量测量文本分布之间的差异

arXiv:2610.06513v2 公告类型:replace-cross 摘要:评估文本生成需要衡量生成分布与数据分布的匹配程度。对于自回归模型,这通过困惑度实现。扩散语言模型和基于流的语言模型只能提供似然下界,而不同模型系列的下界紧致性有所不同。带熵的生成困惑度等基于样本的替代方法没有考虑分布拟合程度。我们提出了 SOL,一种用于衡量文本分布之间距离的方法。每个序列都表示为固定 Transformer 下其隐藏状态的经验测度,并通过双切片 Wasserstein 距离比较这些测度的分布。我们证明,当 Transformer 是单射时,SOL 是一种度量。实验表明,SOL 能够检测分布失效,重现预期的模型趋势,并提供稳定的基于样本的估计。我们提出 SOL,旨在弥补当前用于非自回归模型的评估流程中的空缺。作为第一步,我们使用 SOL 重新评估了在 OpenWebText 上训练的多种模型。

arXiv cs.LG82

分数不是结构:脑对齐与跨语言迁移

arXiv:2610.03827v2 公告类型:替换交叉版本 摘要:相似度分数常被用作证据,证明某个模型与大脑或不同语言之间共享结构。我们在两种情境下追问:当这种结构被移除,或测量它的工具无法正常工作时,这样的分数究竟反映了什么。在十七种语言中,语法性探针在语言距离越远的语言之间迁移效果越差(r = -0.66)。但探针自身的准确率也沿着同一轴下降,并且在四种语言中处于随机水平,而这四种语言恰好是距离最远的五种语言中的四种。剔除这些语言后,可解释方差减半;由于语言距离的取值范围也随之缩小,该设计无法说明这一梯度效应中有多少来自测量工具本身。将272个语言对视为相互独立的样本,会得到引导效应的 p = 0.0006;而以十七种语言为统计单位时,该效应为零(p = 0.155)。在脑对齐方面,一项训练目标使语言模型与 fMRI 反应的相似度从0.10提高到0.34(可靠性上限为0.54),然而,即使破坏了目标中的脑对应关系,模型仍能达到0.31。对于包含 n 个句子的真实目标,经过打乱的目标得分约为 k/n,其中 k 为其排名;这一基线可在训练任何模型之前计算出来。两种干预都有效,但我们没有检测到随距离变化的引导效应,也没有发现对齐带来的句法收益。在解读对应性分数之前,先测量在没有对应关系的情况下,该分数有多少仍能保留下来。