decomposition

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。