新的QCOC方法提升表格数据的上下文学习能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-09 04:00

研究人员开发了一种名为查询校准算子压缩（QCOC）的新方法，以提高表格数据上下文学习的效率。QCOC通过将上下文示例的完整KV缓存编译成跨查询的紧凑共享内存来解决准确性-吞吐量之间的权衡问题。该方法将示例状态聚类成联合KV原型，在显著加快推理速度的同时保留了关键信息。在OpenML CC18数据集上的实验表明，QCOC实现了与完整上下文推理相当的高准确率，并提供了比动态检索方法显著的加速。 AI

影响能够实现更高效、更准确的表格数据上下文学习，有望提升依赖此类数据的应用的性能。

排序理由该条目是一篇学术论文，详细介绍了一种新的上下文学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇学术论文，详细介绍了一种新的上下文学习方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Xu Zhao, Jiaming Zhao, Bin Zhao, Yong Yang · 2026-10-09 04:00

编译表格：查询校准算子压缩用于表格上下文学习

arXiv:2610.11784v1 Announce Type: new Abstract: Tabular in-context learning (ICL) has emerged as a training-free and accurate paradigm for tabular prediction, but current approaches to compressing its in-context examples face an accuracy-throughput tradeoff: fixed subsets can sac…

本文如何被排名

报道来源 [1]

编译表格：查询校准算子压缩用于表格上下文学习

相关实体

相关话题