rank·general

Rank

别名
首次出现
2026-05-22
最近出现
2026-09-01
累计提及
75
§ 01综述

Rank 近期进展

Rank 作为一种在多个领域都有广泛应用的技术,近期的研究主要集中在如何提高其准确性和效率上。

Rank 近期进展

  • Bounded-State Restoration: 解耦本地恢复与外部状态 提出了解耦本地恢复与外部状态的方法,旨在提高 Rank 的稳定性和恢复能力。
  • FedAS-LoRA:联邦LoRA因子共享新策略,按秩自适应选择共享侧 引入了一种新的联邦学习策略,通过按秩自适应选择共享侧来提高 Rank 的效率。
  • Mutable Low-Rank Sketches:无需重训练的推荐系统 提出了一种新的低秩草图技术,允许推荐系统在不重训练的情况下进行更新。
  • 改进DeepEP MoE负载均衡:SGLang引入Waterfill和LPLB 对 DeepEP MoE 负载均衡进行了改进,引入了 Waterfill 和 LPLB 算法来提高 Rank 的均衡性。
  • 当前焦点与观察点

    Rank 技术的发展正聚焦于如何在不牺牲准确性的前提下提高其计算效率和可扩展性。研究者们正在探索新的算法和架构,以实现更高效、更稳定的 Rank 计算。

    § 02相关报道10 条在档
    1. 01
      NoRA:低秩适应新方法
      arXiv cs.LG
    2. 02
      Group-Shared Low-Rank Approximation for Mobile-Efficient Pointwise Convolutions in Large-Kernel CNNs
      arXiv cs.LG
    3. 03
      Bounded-State Restoration: 解耦本地恢复与外部状态
      arXiv: DeepSeek
    4. 04
      自主研究智能体本质是模糊测试,反馈架构才是瓶颈
      arXiv cs.AI
    5. 05
      FedAS-LoRA:联邦LoRA因子共享新策略,按秩自适应选择共享侧
      arXiv cs.LG
    6. 06
      自我认证漏洞利用的智能体:安全对手利用的置信调度受限响应
      arXiv cs.AI
    7. 07
      CACHE-UK:面向金融领域量化LLM的稳定记忆编辑框架
      arXiv cs.LG
    8. 08
      Mutable Low-Rank Sketches:无需重训练的推荐系统
      arXiv cs.LG
    9. 09
      改进DeepEP MoE负载均衡:SGLang引入Waterfill和LPLB
      LMSYS Org (SGLang)
    10. 10
      RiVER框架:无真实答案的强化学习提升LLM编程能力
      arXiv cs.LG
    § 03邻近话题

    本页综述由 AITOP 基于公开报道整理。原报道版权归各自来源所有。

    /topic/Rank