factorization

本文研究了表格基础模型（TFMs）如 TabPFN、TabICL、TabDPT 和 TabFM 是否能够产生与任何联合分布一致的预测。结果表明，所有被评估的 TFM 在分类和回归任务中均违反了边际化一致性和分解一致性，从而对其贝叶斯推断的主张提出了质疑。

This paper shows that matching a marginal Gaussian prior in factorized generative models does not prevent conditional style leakage, where style latents carry class information. Multiple remedies are explored, but the authors conclude that marginal statistics alone cannot certify class-invariance.

FocusMem为GUI智能体引入了一种潜在记忆接口，将内容保留、状态条件读出和信任门控分离，以提高记忆可靠性。在五个GUI智能体基准测试中，它始终优于固定记忆基线。

本文提出FaStR，一种通过CP分解将强化学习中的转移核分解为独立的状态、动作和下一状态编码器的方法，从而提升样本效率，尤其在高维运动控制任务中效果显著。

本文为Transformer提出原生因子化权重（Native Factorized Weights），即每个线性层从初始化开始就训练为两个低秩矩阵的乘积。实验表明，存在一个由语料库决定的最优秩，可最小化验证损失，并形成一个泛化区间，以更少的参数超越密集基线模型。