标签
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。
本文提出了矩阵补全问题的一种分布性推广，其中每个条目是概率分布而非标量，利用核均值嵌入和Tucker秩来捕捉低秩结构。作者提出了一种新的估计器，并给出了非渐近误差界，通过在合成数据和真实世界数据上的实验证明了该方法的有效性。
来自MIT、华威大学和NVIDIA的研究人员提出了Stein核化分子动力学（SKMD），这是一种增强采样方法，利用相互作用粒子动力学为机器学习原子间势（MLIPs）的主动学习和微调获取信息丰富的训练构型。SKMD是Stein变分梯度下降的随机变体，专为分子动力学进行了适配，在保持Boltzmann分布的同时，以更少的训练迭代次数实现了比基线方法更高的模型精度。
介绍了一种用于非参数工具变量估计的微扰方法，该方法通过高阶修正扩展了核岭回归方法，在高维设置中实现了预测误差高达99%的降低。
提出了Interdomain Attention，一种通过核方法将状态空间模型集成到注意力中的新方法，实现了固定大小状态的高效长上下文建模，并在参数规模达13亿的语言建模实验中超越了SSM和softmax注意力。
本文将对高斯过程和潜在神经过程后验之间的预测KL散度分解为三项，提供了刻画近似误差的上界，并将表示维度与核平滑度联系起来。
本文提出了一种面向小数据场景下植物表型组学分类的混合量子-经典工作流，通过监督潜在重构（PCA+LDA）在量子核对齐前提升几何可分性。实验显示可分性有所提升，但揭示了压缩权衡以及实现强量子性能的困难。