amortization

本文提出使用图超网络来显式表示偏微分方程（PDEs）中的关系，以分摊物理信息神经网络（PINNs），在求解耦合系统时展现出更高的准确性。

This paper proposes amortizing the high token cost of reasoning-mode LLMs by distilling domain-specific skills from existing trajectories into system prompts, recovering most of the reasoning gap on agentic benchmarks while emitting far fewer tokens.

本文将对高斯过程和潜在神经过程后验之间的预测KL散度分解为三项，提供了刻画近似误差的上界，并将表示维度与核平滑度联系起来。