标签
在TechCrunch Disrupt 2026上，Ricursive Intelligence的联合创始人Anna Goldie和Azalia Mirhoseini将讨论AI如何自动化并加速芯片设计，有可能将设计周期从数年缩短至数周。
一条推文分享了一个GitHub仓库，该仓库汇编了关键机器学习论文的解析，例如Transformer、BERT和GPT，用于教育目的。
文章阐述了神经网络学习的核心机制，详细介绍了前向传播和反向传播，利用链式法则计算梯度并调整参数。
本文提出XACT框架，该框架用于学习时间频率变换上的稀疏归因掩模，以解释时间序列分类器，并展示了相比基线方法在精确度和可解释性方面的提升。
本文介绍了Transformer-Mamba for Flow Field (TM4FF)框架，这是一种受物理约束的算子学习模型，通过Residual Wavelet Mamba和physics-informed loss等创新，提升了计算流体动力学模拟的准确性和鲁棒性。
本研究探讨了分布式声学传感与深度学习的融合，用于以高时空分辨率监测城市交通动态。研究开发了一个深度学习框架来分析DAS数据，实现车辆检测与交通状态推断。
本文提出一种基于区域留出评估的防泄漏机器学习协议，用于从SEM显微图像中检测316L不锈钢的氢脆，发现LBP+SVM优于深度学习方法。
SpaFactor 是一个轻量级框架，通过整合空间上下文和基因程序，从组织学图像预测空间转录组学，在多个队列中展示了更高的准确性和生物保真度。
本文提出了一种知识追踪模型的验证协议，使用XGBoost和深度学习基线模型在ASSISTments数据集上评估预测性能以及解释的稳定性和忠实性。
PyTorch基金会将在PyTorch Conference North America 2026上举办Introduction Track和PyTorch Associate Training，以帮助开发者、研究人员和工程师提升深度学习和AI的技术技能。
ROOSTER是一个共享模块，它学习条件序列与目标序列之间的对齐，适用于时间序列预测和PPG到生命体征重建，在多个基准测试中表现出色。
论文介绍了Neurogenesis Network (NGN)，这是一种可微分参数化方法，用于在训练过程中学习神经网络的最优规模，适用于包括MLPs、CNNs和Transformers在内的多种架构。
本文对fMRI基础模型进行了一项扩展性研究，揭示了模型性能取决于预训练数据规模、模型规模和训练时长的组合，而不仅仅是计算资源。
本文引入了一种双模型掩码度量，对序列推荐系统中时间归因的十种可解释方法进行基准测试，发现基于梯度的方法如GradientSHAP和Integrated Gradients产生最忠实和稳健的归因。
本文提出DissipNet，一种深度离散时间耗散循环神经网络，通过结构约束显式地强制执行耗散性，以确保耗散系统的稳定建模，优于传统的循环神经网络和物理信息神经网络。
CoRe-Stack+ 是一种元学习管道，通过过滤冗余和增强校准来改进深度堆叠泛化，在视觉基准测试中实现更好的准确性和效率。
Quartet介绍了一种采用四分支交叉注意力和因果随机游走采样器的图Transformer架构，以提升在关系图任务上的性能，超越了诸如RelGT和HGT等最先进的基准模型。
本文介绍了HARN，一个用于金融时间序列事件驱动多时间框架预测的分层关联共振网络，通过多个资产的评估，显示出与基线相比具有竞争力的结果。
论文提出了ADNet，这是一个用于多步交通预测的自适应分解网络，它学习通过谱分解将异构交通动态解耦为优势和残差分量，在TraffiDent数据集上取得了优异的性能。