decomposition

Introduces DECAF, a method that decomposes perturbation responses into evidence, contradiction, and fragility components, improving interpretability over raw response magnitude and achieving strong results across vision benchmarks.

本文识别并描述了分解引发的上下文-记忆冲突（DI-CC），这是分解后验证流水线中的一种故障模式，其中分解会用模型的参数化信念替代源文本。作者表明它在机制上与经典的上下文-记忆冲突相关，SelfCheckGPT 无法检测到它，而上下文感知解码可以抑制它，但会引入严重的解析失败。

本文介绍了TriQua，一个用于LLM事实性评估的框架，它自适应地将事实表示为三元组或带有上下文限定符的超关系事实，并提出了TriQuaScore用于细粒度的事实性评分。实验表明，TriQua与人工标注结果高度一致，并且在基于证据的验证方面优于现有方法。

本文表明，逐块验证在多跳RAG中会失败，因为没有任何单个块是充分的，并提出基于分解的验证方法来修复这一问题，在多个数据集上展示了显著改进。

提出DWM框架，该框架将潜在世界模型的转移分解为动作驱动和动作不变（世界效应）组件，在具有持久世界效应的基准上提高了规划成功率。

本文提出了一种用于超维计算分解的高效量子比特量子框架，将表示成本从O(D)量子比特降低到O(log D)量子比特，同时保持二次搜索优势，实现了最多2000倍的量子比特减少。

Mitchell Hashimoto 分享了使用AI代理的经验法则：超过1500行的diff意味着需要分解问题，并概述了一种使用代理生成代码进行迭代开发的模式。

本文提出一种多模态学习的信息论分析，揭示了捕捉样本特定交互的必要性，并提出了DMIL范式，通过变分分解和微调显式建模和学习这些交互，实现了优越性能。

提出TD-Grokking，一种训练时分解框架，递归地将棘手的零奖励问题分解为可验证的子问题，使大语言模型能够从失败轨迹中学习。在数学和医学推理任务上优于普通GRPO及基线方法。

DeSQ是一个基于分解的框架，用于从自然语言问题生成SPARQL查询。它将复杂问题分解为原子约束，将它们映射到SPARQL片段，并组装成完整查询，在五个基准测试中的四个上优于现有技术。

本文将注意力交互矩阵分解为路由（反对称）和过滤（对称）两个组成部分，并引入 S-D 注意力以解耦它们。揭示了路由中的谱级联现象，可预测注意力简化的位置，从而在极小困惑度损失下实现显著的参数减少。

提出PESD-TSF，一种受物理启发的结构化分解框架，用于长期时间序列预测，通过乘法周期性门控、多尺度结构化编码器和跨尺度协作注意力来解决周期感知退化、趋势-噪声纠缠和跨变量依赖关系丢失的问题。