error-accumulation

介绍了泄漏积分器重建，以解决递归差分时间序列预测中的误差积累问题，展示了在不同架构和数据集上显著减少误差的效果。

THOR提出了一种受大脑启发的推理框架，利用theta-gamma层级振荡来减轻多跳问答中的注意力衰退和错误累积，在基准测试中实现了更高的准确性和鲁棒性。

CheckRLM是一个利用检索增强生成来检测并纠正推理语言模型推理链中事实错误的框架，提升了连贯性并减少了错误累积。

EditSR 提出了一种双层框架，将神经符号回归模型与基于编辑的修正器（Rectifier）相结合，以高效修正生成表达式中的结构错误，减少错误累积，并以有限的额外成本提高复杂符号结构的恢复能力。

KVarN是一个免校准的KV缓存量化器，它使用哈达玛旋转和双缩放方差归一化来减少大型语言模型自回归解码过程中的错误累积，在推理基准上实现了最先进的2位精度。