2026-10-12 | CS.LG机器学习 | 共 146 篇，本文展示前 9 篇
[机构]信息由AI分析生成，可能存在错误，仅供参考，以论文实际显示为准
快速导航
1. 深度学习架构与训练方法 2 篇
2. 优化、泛化与理论分析 1 篇
3. 其他/综合机器学习 6 篇
1. 深度学习架构与训练方法 | 2 篇
1. Kairos: Toward a Byte-Level Foundation Model for Every Modality
Kairos：面向适用于所有模态的字节级基础模型
AI 总结：Kairos结合多种技术构建字节级基础模型，通过收敛性检查验证其可优化，计划后续预训练解决泛化等问题，代码与Python包已公开。
链接：https://arxiv.org/abs/2610.12495
2. Market Impact Estimation via Causal Foundation Models
基于因果基础模型的市场冲击估计
AI 总结：该研究针对经典市场冲击估计模型的偏差问题，提出因果市场模拟器（PFN）等模型，在多类金融数据上验证了其因果估计能力，提升了冲击估计的相关性。
链接：https://arxiv.org/abs/2610.12537
2. 优化、泛化与理论分析 | 1 篇
3. Efficient Learning of Survival Analysis Models Under Outcome-Dependent Truncation and Censoring
结果依赖截断与删失下生存分析模型的高效学习
AI 总结：本文将截断下的高效学习与生存分析结合，证明基准风险已知时可通过一阶优化高效学习截断删失下的Cox回归，考虑截断能降低预测偏差且速度远快于期望最大化。
链接：https://arxiv.org/abs/2610.12538
3. 其他/综合机器学习 | 6 篇
4. Algebraic Integer Quantization for Machine Learning Applications
面向机器学习应用的代数整数量化
AI 总结：本文提出代数整数量化（AIQ）框架，可实现无误差乘累加运算，在LLM推理中达到与MX格式相当的精度，且性能接近硬件加速器最优数值方案，高阶代数整数推广具潜力。
链接：https://arxiv.org/abs/2610.12494
5. An Input-Dependent Readout Phase for Resonant Sequence Models
共振序列模型的输入依赖读出相位
AI 总结：该研究针对ResonatorLM模型，将其读出相位改为当前token的函数，仅增加0.2%参数，在WikiText-2字符级模型上使长文本测试困惑度大幅下降，消除了原模型的长文本失效问题。
链接：https://arxiv.org/abs/2610.12496
6. CircuitTree: Composing Circuits into A Syllable Transcriber
CircuitTree：将电路组合为音节转录器
AI 总结：该研究提出CircuitTree方法，通过贪心密度缩放组合算法将剪枝自HuBERT的音素电路组合为音节转录器，在高电路组件共享率下实现接近上限的开音节转录准确率。
链接：https://arxiv.org/abs/2610.12520
7. Behind-the-Meter Photovoltaic Visibility from Net Smart Meters: Deployment Regimes and Operational Insights
基于净智能电表的表后光伏能见度：部署机制与运行洞察
AI 总结：该研究针对配电运营商的表后光伏能见度问题，通过划分部署机制，量化了深度学习光伏分解模型在不同客户、时段、区域下的误差差异，提出了适配的模型应用策略。
链接：https://arxiv.org/abs/2610.12527
8. GlucoPRISM: Protocol-Supervised Pretraining for Cross-Cohort Glucose Transfer
GlucoPRISM：用于跨队列血糖迁移的协议监督预训练
AI 总结：本研究提出 GlucoPRISM 协议监督预训练方法，通过分离表征中损害血糖跨队列迁移的设备相关分量，在 12 个跨队列方向上将平均迁移 AUROC 提升至 73.57，在公共任务及外部临床队列中均取得显著性能提升。
链接：https://arxiv.org/abs/2610.12528
9. CacheScope: Exact-Compute Allocation for Training-Free Diffusion Acceleration
CacheScope：用于无训练扩散加速的精确计算分配
AI 总结：CacheScope是一种无训练的扩散加速方法，通过归一化探测输出变异识别高风险复用步骤并选择性回退完整计算，在多个基准模型上实现最高3.57倍加速与70.1%的LPIPS降低。
链接：https://arxiv.org/abs/2610.12530
受公众号正文长度限制，本文展示前 9 篇，当天共更新 146 篇。完整列表请访问 arXivDaily。