Technion - Israel Institute of Technology（以色列理工学院）

STRABLE: Benchmarking Tabular Machine Learning with Strings

STRABLE：基于字符串的表格机器学习基准测试

Gioia Blayer, Myung Jun Kim, Félix Lefebvre, Lennart Purucker, Alan Arazi, Eilam Shapira, Roi Reichart, Frank Hutter, Marine Le Morvan, David Holzmüller, Gaël Varoquaux

机构 * SODA Team, INRIA Saclay（SODA团队，INRIA萨克莱实验室） ； Probabl ； University of Freiburg（弗赖堡大学） ； Prior Labs ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Technion – Israel Institute of Technology（技术ion-以色列理工学院） 纠错

AI总结 本文提出STRABLE基准数据集，通过评估445种表格学习管道，探讨字符串和数字混合数据的处理方法，发现基于字符串嵌入的模型在低计算成本下表现优异，而大语言模型在文本主导数据中更具竞争力。

Domain Restriction via Multi SAE Layer Transitions

通过多SAE层转换实现领域限制

Elias Shaheen, Avi Mendelson

机构 * Technion -- Israel Institute of Technology, Haifa, Israel（技术ion理工学院，海法，以色列） 纠错

AI总结 本文通过分析LLM内部动态，提出利用稀疏自编码器（SAE）层转换提取领域特征的方法，验证了其在区分out-of-domain文本中的有效性。

Welfare as a Guiding Principle for Machine Learning -- From Compass, to Lens, to Roadmap

福利作为机器学习的指导原则——从指南针到镜头到路线图

Nir Rosenfeld, Haifeng Xu

机构 * Faculty of Computer Science（计算机科学学院） ； Technion – Israel Institute of Technology（技术ion–以色列理工学院） ； Department of Computer Science（计算机科学系） ； University of Chicago（芝加哥大学） 纠错

AI总结 本文提出将社会福利作为机器学习的指导原则，以促进社会福祉，补充传统优化、泛化和表达性核心标准。

NexOP: Joint Optimization of NEX-Aware k-space Sampling and Image Reconstruction for Low-Field MRI

NexOP：面向低场MRI的NEX感知k空间采样与图像重建联合优化

Tal Oved, Efrat Shimron

机构 * Department of Electrical and Computer Engineering, Technion – Israel Institute of Technology（电气与计算机工程系，技术学院–以色列理工学院） ； May-Blum-Dahl Technion Human MRI Research Center, Technion - Israel Institute of Technology（May-Blum-Dahl技术学院人类MRI研究中心，技术学院–以色列理工学院） ； Department of Biomedical Engineering, Technion – Israel Institute of Technology（生物医学工程系，技术学院–以色列理工学院） 纠错

AI总结 NexOP通过深度学习框架联合优化多NEX采集的k空间采样与重建，针对低信噪比场景提升图像质量，实验表明其在不同加速因子和组织对比度下均优于其他方法。

When and How to Canonize: A Generalization Perspective

何时以及如何规范化：从一般化角度出发

Yonatan Sverdlov, Benjamin Friedman, Snir Hordan, Nadav Dym

机构 * Technion – Israel Institute of Technology（技术学院–以色列理工学院） 纠错

AI总结 本文从一般化角度分析了规范化的理论属性，提出通过覆盖数上界分析规范化的泛化误差，建立了规范化的泛化误差层次，并证明了Hilbert曲线规范化的有效性。

Training Transformers for KV Cache Compressibility

训练用于KV缓存压缩性的Transformer

Yoav Gelberg, Yam Eitan, Michael Bronstein, Yarin Gal, Haggai Maron

机构 * University of Oxford（牛津大学） ； Technion – Israel Institute of Technology（技术ion理工学院） ； AITHYRA ； NVIDIA 纠错

AI总结 本文提出KV-CAT训练方法，通过训练时的KV稀疏化策略，引导模型学习可压缩的表示，提升下游压缩方法的质量-预算权衡。

Comments 32 pages, 4 figures