推理采样不再一次只走一步:预取整棵接受/拒绝子树,PowerMH 中位提速1.71倍
PowerMH 的接受/拒绝判定必须串行,每次判定后才能生成下一个提议;PreSTO 把未来若干步的提议放进一次批量调用预取,在七个数据集和五个基座模型上对 PowerMH 取得 1.71 倍中位加速,且不改变其转移核。
PowerMH 的接受/拒绝判定必须串行,每次判定后才能生成下一个提议;PreSTO 把未来若干步的提议放进一次批量调用预取,在七个数据集和五个基座模型上对 PowerMH 取得 1.71 倍中位加速,且不改变其转移核。
多囊卵巢综合征的机器学习筛查长期只报告一个二分类准确率,掩盖了各临床亚型之间的差异。在541名患者的公开数据集上,调优后的随机森林各亚型准确率从最罕见亚型的75.0%到最常见亚型的97.8%,相差22.8个百分点,剔除用于定义亚型的七个变量后差距为23.3个百分点。一种由随机森林筛选特征、遗传算法调参的多任务神经网络同时预测二分类标签与亚型,保持90.2%的二分类准确率,把最罕见亚型召回从75.0%提高到87.5%,把难以归类病例的召回从多分类模型的31.5%提高到79.6%。
该工作提出并行功率回火(PPT),把经典并行回火(副本交换)搬到序列级功率锐化采样上,用不同锐化强度的多个副本并行探索与利用、并通过交换把有希望的推理轨迹送到最锐化的输出链,同时用固定视界构造消除早期停止功率采样中的结构性截断偏差;在Qwen3-4B、Qwen3-8B与Qwen3.5-9B上跨MATH500、GPQA、HumanEval、GSM8K、AIME 24&25与LiveCodeBench v5的评测中,PPT在所有模型—基准组合上取得最好或并列最好成绩,超过Power Sampling、PowerSMC与GRPO,且Qwen3.5-9B上达到与前沿模型相当的水平。
该研究提出 RSAUNet,一种在 U-Net 主干中融合残差卷积块、Swin Transformer 块与注意力机制的深度学习架构,用于 MRI 前列腺癌分割,并在公开 Kaggle 前列腺标注数据集上报告了 Dice 系数 0.998、Jaccard 指数(IoU)0.965 的训练与验证结果,同时通过消融实验比较了各组件逐项加入后的损失、准确率、Dice 与平均 IoU 变化。
已读完全部报道