标签
FM-LLM提出了一种频率增强的混合专家框架，无需文本提示即可将冻结的LLM适应于时间序列预测，通过注入频谱表示并分离周期/非周期解码，取得了最先进的结果。
本文开发了一个傅里叶分析框架，用于研究群不变性下的数据增强，表明部分增强可以在近似误差趋近于零的情况下实现与完全增强相同的极小极大速率，同时还证明了精确不变性需要全群平均。
介绍SpikF-GO，一种用于多变量时间序列预测的脉冲神经网络模型，该模型结合了基于图的变量间依赖建模与脉冲驱动的频谱处理，在SNN方法中实现了最先进的结果，同时降低了能耗。
本文提供了神经网络在群组合任务中学习结构化表示的理论分析，证明了训练动态驱动神经元以指数收敛速度收敛到不可约群表示。该工作建立了特征学习的表示理论解释，并刻画了矩阵值群表示的低秩压缩现象。