实体
Sliding Windows and Persistence: An Application of Topological Methods to Signal Analysis
Sliding Windows and Persistence: An Application of Topological Methods to Signal Analysis
PulseAugur coverage of Sliding Windows and Persistence: An Application of Topological Methods to Signal Analysis — every cluster mentioning Sliding Windows and Persistence: An Application of Topological Methods to Signal Analysis across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
深度学习框架校正超声跟踪中的心肌应变漂移
研究人员开发了一个深度学习框架，用于校正超声心动图心肌应变跟踪中的时间漂移。这种新方法结合了持久记忆令牌，以便在滑动窗口之间共享信息，确保跟踪点在心动周期内返回其初始位置。采用了师生微调策略来强制执行生理一致性并提高跟踪精度，从而为临床实践提供更可靠的应变估计。
-
KV 缓存成为 LLM 瓶颈，推动注意力变体创新
KV 缓存是 LLM 自回归解码的关键组成部分，被确定为 2026 年前沿模型的主要瓶颈。其大小随上下文长度和批处理大小线性增长，使其成为比模型权重更主要的内存消耗者。缓解此瓶颈的技术包括减少 KV 头（MQA、GQA）、使用潜在表示压缩缓存（MLA）以及通过线性注意力或状态空间模型（SSMs）完全消除不断增长的缓存。2026 年的主流方法是混合模型，它将全注意力层与线性/SSM 层交织在一起，以平衡质量和内存效率。