标签
该论文提出了 LoopRec，一种用于序列推荐的物品级自适应递归框架。该框架通过可学习的门控机制重复使用权重共享的骨干网络模块，为每个物品分配计算深度，并在 3 个 Amazon 基准数据集和包括 SASRec、NextItNet 在内的 4 种骨干网络上均取得了稳定的性能提升。
Arc Institute 的 Science Fellow 周景天及其团队在新预印本中介绍 Bolero，这是一个以细胞状态为条件、仅从 DNA 预测染色质可及性与基因表达的模型，解释了相同 DNA 在不同细胞中的差异解读。
Google 开源了 TorchTPU，这是其 TPU 的原生 PyTorch 后端，支持自定义 ATen 内核、XLA 编译缓存、torch.compile() 集成以及分布式训练，并提供了 Llama、Qwen 和 ResNet 等模型的示例。
Hugging Face 宣布 Transformers、Diffusers 和 Kernels 原生支持 TorchTPU，使 TPU 成为 PyTorch 中的一个普通设备选项，无需再依赖 torch_xla 或 Optimum TPU。
MIT、Boston Children's Hospital 和 Inria 的研究人员提出了 E3-Pose——一个内置左右对称物理约束的深度学习模型，用于追踪胎儿头部运动，旨在为产前诊断生成可靠的高分辨率胎儿脑部 MRI 影像。
推文称Anthropic每年为精通《Understanding Deep Learning》内容的人才支付25万至75万美元，并列出从监督学习到Transformer的深度学习学习路径与免费电子书资源。
PyTorch 与 AWS 联合发布 TorchNeuron，这是一个面向 AWS Trainium 芯片的开源 PyTorch 原生后端，开发者只需通过简单的 `.to('neuron')` 切换即可运行现有的 PyTorch 代码，支持 eager 执行、torch.compile 以及 NKI 自定义算子。该项目将于 10 月 20 日的 PyTorch 大会上以公开测试版形式发布，采用 Apache 2.0 许可证。
该论文提出 LeMA，一种用于多 GPU 大规模神经网络训练的分布式 Levenberg-Marquardt 算法，通过精确对偶公式与 Jacobian 分片策略，将内存开销从参数量平方降低到批量大小平方，并在约 10 亿参数 CNN 上实现 8 GPU 近线性扩展。
该论文研究了分布式训练中外部Nesterov动量在随机伪梯度上的稳定性，推导了随机二次模型上的精确均方稳定性判据，揭示了内层批量大小、本地步数与工作节点平均对训练稳定性的联合影响，并在神经网络上验证了理论结论。
EMBER 提出一种无需对接复合物结构的 TCR–pMHC 结合预测框架，将 TCR 与 pMHC 独立折叠并编码为 SE(3) 不变残基图进行比较，避免了对接误差的传播，同时降低计算复杂度，并在表位不相交评估中全面超越六个基线模型。
PyTorch 联合主席 Chris Hoge（NVIDIA）推荐了 PyTorchCon 北美 2026 的五场重点演讲，涵盖 PyTorch 生态系统 Landscape、MoE 专家并行通信、动态形状 CUDA 图、Symmetric Memory 融合内核以及数据加载器扩展等内容。
一篇回顾性深度文章，追溯 AI 架构从单个感知器、早期神经网络、梯度消失问题、LSTM 到 Transformer 时代的进化历程，并探讨自注意力机制之后的下一个范式转变。
PyTorch 现已可在 AWS Tranium AI 芯片上原生运行，无需修改任何代码。Annapurna Labs 副总裁 Robert Hundt 将在 2026 年 PyTorch 北美大会的主题演讲中分享这一进展。该帖旨在推广此次活动，鼓励大家报名参加。
一篇技术博客，通过"关联记忆"的视角重新推导 Transformer：从线性层的外积记忆，到 MLP 的容量提升，再到自注意力的近乎无界记忆容量，并给出各层可存储记忆数量的启发式估算（如 64 维键可从约 64 条提升到上百万条记忆）。
一位计算机科学专业的学生分享了DenseCore——一个用Rust编写的轻量级深度学习框架（约2MB），配有类似PyTorch的Python API，能在Apple Silicon上逐比特精确复现PyTorch在nanoGPT上的训练结果，并揭示了PyTorch内部Flash Attention、Adam尾部循环融合等隐藏的数值细节。
DST-Net 提出一种解耦的时空网络用于时间序列预测，针对趋势和季节分量分别设计潜在图块和高斯多尺度注意力机制，以匹配各分量的内在特性并在多个基准上验证有效。
这篇论文将音乐愉悦度预测构建为回归问题，利用MUSIN-G数据集的128通道EEG数据，比较了六种深度学习模型（DeepConvNet、CNN-LSTM、GNN-CNN、TCN等），并通过可解释性分析识别影响预测的关键时间片段。
PyTorch Conference North America 2026 在圣何塞举行，汇集顶尖 AI 先驱、研究者与开发者，围绕 PyTorch、vLLM、DeepSpeed、Ray、Helion、Safetensors 等开源项目展开技术分享与交流，并感谢黄金赞助商的支持。
本文研究了为何图 Transformer 相比大语言模型很少形成注意力汇聚现象，并表明注意力评分函数——而非图结构——是主要原因：将 GRIT 的门控 logit 替换为点积注意力后，其注意力汇聚率从 0.09 升至 0.68。
本文提出一个统一的九维分类框架，从更新目标、组织方式、调度范围及反馈选择四个维度梳理现有递归自我改进（RSI）方法，并探讨如何借鉴传统深度学习与进化计算机制启发新的RSI研究思路，同时综述相关评估基准。