A Theory of Generalization in Deep Learning
深度学习中泛化的理论
机构 * Stanford University（斯坦福大学）
AI总结 本文提出深度学习中泛化的非渐近理论，通过经验神经切线核划分输出空间，在信号方向快速消散误差，而在噪声方向通过近零特征值捕获残余误差。该理论解释了良性过拟合、双下降等现象，并推导出一个精确的群体风险目标。
高校专区
Stanford University（斯坦福大学）
Arithmetic in the Wild: Llama uses Base-10 Addition to Reason About Cyclic Concepts
野性算术：Llama使用十进制加法来推理循环概念
机构 * Northeastern University（东北大学） ； Technion IIT（技术ion理工学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 研究Llama-3.1-8B如何用十进制加法处理循环概念，发现其通过通用加法机制而非模运算实现，利用傅里叶特征进行计算，揭示了因果抽象与特征几何的交互对语言模型的理解作用。
P3-LLM: An Integrated NPU-PIM Accelerator for Edge LLM Inference Using Hybrid Numerical Formats
P3-LLM：一种用于边缘LLM推理的NPU-PIM集成加速器，采用混合数值格式
机构 * Department of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程系） ； EAST-MICAS, KU Leuven（KU莱顿大学EAST-MICAS） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
AI总结 本文提出P3-LLM，通过混合精度量化和PIM架构设计，提升边缘LLM推理效率，实现4.9倍以上的加速效果。
Comments Accepted to the 53rd IEEE/ACM International Symposium on Computer Architecture (ISCA), 2026
Generative Interfaces for Language Models
生成式接口用于语言模型
机构 * Stanford University（斯坦福大学） ； Georgia Tech（佐治亚理工学院）
AI总结 本文提出生成式接口，通过主动生成用户界面提升多轮交互效率，实验表明其在人类偏好上提升达72%。
Comments ACL 2026 Findings
