热点事件持续更新
KPSA：核化参数敏感性图谱实现摊销条件可解释性
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月12日，arXiv Statistics Machine Learning 发布一手论文，提出 KPSA（Kernelized Parameter Sensitivity Atlas）。该方法从经验神经正切核的块分解推导而来，旨在面向摊销条件可解释性。其核心是用轻量核估计未见输入的归一化参数组敏感性，并给出有限源与不可约表示误差的界，以及 margin-based top-$k$ 恢复结果。目前公开信息仅涉及该论文内容，未见后续验证或应用报道。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
arXiv 发布 KPSA 论文，提出基于核的摊销条件参数敏感性图谱方法。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv · Statistics Machine LearningKPSA：面向摊销条件可解释性的核化参数敏感性图谱
论文提出 KPSA（Kernelized Parameter Sensitivity Atlas），从经验神经正切核的块分解推导，用轻量核估计未见输入的归一化参数组敏感性，并给出有限源与不可约表示误差的界及 margin-based top-$k$ 恢复。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。