加性量化表示用于Bandits研究
Get the story
2026年10月5日，arXiv机器学习理论方向发布一篇论文，提出将残差量化（RQ）作为表示层，用于Bandits任务。该方法用离线训练的RQ码本，把连续上下文映射为多层离散质心分配，从而在严格有界内存下实现非线性表达。论文称，在13个数据集上的实验中，RQ变体在11个数据集上胜过对应的非RQ算法，并以最高1000倍更少的内存匹配doubling-retrain XGBoost与神经基线。报道同时提到，该论文已被NeurIPS 2026接收。目前公开信息仅涉及这一篇论文及其方法、实验结果与接收情况，未见后续独立验证或争议报道。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning Theory用加性量化表示做 Bandits
论文提出将残差量化（RQ）作为表示层，用离线训练的 RQ 码本把连续上下文映射为多层离散质心分配，以严格有界内存实现非线性表达。在 13 个数据集上，RQ 变体在 11 个数据集上胜过非 RQ 对应算法，同时以最高 1000 倍更少内存匹配 doubling-retrain XGBoost 与神经基线。论文已被 NeurIPS 2026 接收。
Heat trend
Current heat 6·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.