标签
本文提出了一种用于学习不可压缩流动解算子的局部稀疏核方法，利用无散度局部插值函数、紧支撑核和算子拉格朗日权重，实现了稀疏且可在 GPU 上并行执行的回归，在十项流体基准测试中优于神经算子。
该论文提出了一种基于几何的有限特征联想记忆容量理论，将检索干扰分解为有限特征噪声与结构性干扰，并推导出与表示几何直接挂钩的容量上限预测，随后在合成、视觉和医学图像表示上进行了验证。
这篇 CIKM 2026 论文刻画了固定目标表格异常检测器中出现的"收敛退化"现象，即优化程度越高反而会削弱异常信号；为此论文提出了 Kernel Contraction Matching（KCM），一种闭式核回归检测器，以及 Kernel-Anchored Regularizer（KAR），以缓解退化现象并在 ADBench 上提升 AUROC 表现。
FlashDiffusion 是一种无矩阵方法，在融合的 GPU 分块中计算稠密高斯基核块，并将特征值求解器与经验 beta-flow 耦合，以选取有限样本下的分辨率尺度，从而避免扩散映射谱分解中的 O(N^2) 内存开销。
KernelOnet 提出了一种可解释的神经算子框架，用核函数显式替代干网络（trunk network），提供数据驱动、物理信息以及混合核策略，用于求解偏微分方程，在精度更高、参数更少的情况下优于 DeepONet。
本文针对多智能体系统中的多输出回归问题，开发了两种资源高效的分布式递归高斯过程算法，在降低通信开销的同时保持估计精度。
本文提出了一种用于核化图构建的自适应谱带宽控制方法，旨在使核谱性质与内在流形维度对齐，展示了在CIFAR-100上的自监督学习嵌入任务中的改进。
本文开发了NTK-KIP、MetaQuill和MetaQuill-KIP算法，以改善从稀疏观测中重建神经场，使基于神经切向核（NTK）的神经场变得非线性和元可学习，从而实现高效的少样本适应。
本文提出了一种结合神经网络均值与精确Matérn kernel校正的方法，用于偏微分方程中的算子学习，在结构力学和OCO-2辐射传输模拟等公开基准测试中达到了竞争性或改进的性能。
本文介绍了通用编码计算（GCC），一种学习理论框架，用于缓解分布式计算系统中的掉队节点问题，并提供了理论性能保证和在深度神经网络上的实验验证。
论文提出了Frame Kernel Method，这是一种用于PDEs代理建模的新型多尺度算子学习方法。该方法利用核帧近似，并比流行的神经算子达到更高的精度，同时实现多尺度分解。
本文提出了一种基于自由概率核的储备计算确定性超参数选择方法，该方法消除了对资源密集型 rollout 的需求，并以显著更低的成本实现了与穷举搜索相似的性能。
本文提出了一种面向连续敏感属性的公平表示学习的联合分布方法，使用HSIC作为联合差异度量以避免条件密度估计。文章证明了相较于条件路径方法在统计效率上的提升，并介绍了FRHSIC算法，其公平性-准确性权衡相当且训练更快。
本文介绍了NysHD，一种通过Nyström近似将超维计算与核方法桥接起来的方法，允许任何正半定相似性函数用作HDC编码。与现有HDC编码方法相比，它在图数据集和字符串数据集上展示了更高的分类准确率。
本文介绍了K-Inverse-RFM，一种改进的递归特征机器，它弥合了RFM与神经网络在受标签噪声、数据不平衡或替代数据表示影响的数学任务上的性能差距。
介绍了用于从噪声测量中学习动力系统的 Weak-form Kernel Ridge Regression (WKRR) 方法，该方法结合弱形式与核岭回归以滤除噪声并提高精度。该方法在高达64维的混沌基准测试以及15000维的真实流体数据上优于基线方法。
本文介绍了Bernstein–Schur核，这是一类介于平移不变模板和点积模板之间的非平稳核，并通过草图化有限调制和随机化完全单调径向因子，提供了一种随机特征构造方法。该方法能够生成无偏估计量，其算子范数界限由本征维度控制，并且实验在一个有偏核示例上验证了该方法。
本文识别了有界域上高斯过程中边界诱导的采集偏差背后的几何机制，展示了核截断如何独立于目标函数膨胀后验方差并扭曲采集函数。作者引入了一种无函数诊断方法，以量化不同采集类别中的这种偏差。
TorchKM是一个开源的GPU加速核机器库（支持向量机、核逻辑回归等），采用scikit-learn风格的API。通过重用矩阵运算加速训练和模型选择，相比标准基线实现了显著的加速比。
本文介绍了KODA（Kernel Optimization for Discrepancy Analysis，差异分析核优化），一种基于核的框架，用于比较和对齐视觉-语言模型表示，通过识别在CLIP、SigLIP和BLIP等模型中聚类方式不同的样本子集。该方法使用对比嵌入聚类和随机低维近似，能够扩展到大型数据集，同时提供表示之间可解释的结构差异。