lace
PulseAugur coverage of lace — every cluster mentioning lace across labs, papers, and developer communities, ranked by signal.
-
新的LACE编解码器提高了音频压缩和TTS效率
研究人员开发了LACE（Layer-Adaptive Codec Encoding），一种新颖的神经音频编解码器方法，旨在降低与高帧率相关的计算成本。与之前使用单一压缩步骤的方法不同，LACE在每个量化层应用独立的压缩步骤，允许进行特定于层的分段边界。在LibriTTS数据集上的实验表明，LACE在重建方面实现了优越的速率-质量权衡，并提高了TTS推理效率，同时保持了高质量的合成。LACE的代码可在ESPnet3编解码器配方中找到。
-
新的 AutoML 框架使用 LLM 进化可执行的 Python 管道
研究人员开发了 LACE，一个新颖的 AutoML 框架，它利用大型语言模型作为变异算子来进化完整的可执行管道程序。与在预定义组件空间内搜索的传统 AutoML 系统不同，LACE 生成并维护一个 scikit-learn 兼容的 Python 类群。这种方法允许直接检查和编辑生成的管道。在 68 个 OpenML 分类任务上的评估表明，由 GPT-5.4-mini 驱动的 LACE，其性能显著优于 auto-sklearn、H2O …
-
LLM框架LACE加速RISC-V指令扩展开发
研究人员开发了LACE，一个利用大型语言模型（LLMs）来简化RISC-V内核领域特定指令集架构扩展（ISAX）的创建和验证的新型框架。该多智能体系统将自然语言意图转换为两级中间表示，对大型代码库执行本地化RTL编辑，并与编译器无关的形式化检查流程集成。在对四个嵌入式RISC-V内核的评估中，LACE将pass@1的生成准确率显著提高到72.8%，增强了代码本地化能力并减少了集成工作。
-
用于可解释、公平和可观察医院再入院预测的集成框架：在 MIMIC-IV 上的开发与验证
研究人员开发了一种新的梯度正则化牛顿方案，以确保梯度提升决策树 (GBDT) 的全局收敛性，这是一种广泛用于表格机器学习的技术。该方法引入了一个自适应 L2 正则化项，实现了与 Nesterov 动量等一阶提升方法相当的收敛速度。数值实验表明，该新方案在标准牛顿提升可能发散的地方也能收敛。此外，另一项研究提出了一个用于从心电图中诊断射血分数的模态机器学习框架，实现了高精度并提供了可解释的特征。