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

Convergence of Continual Learning in Homogeneous Deep Networks

同质深度网络中持续学习的收敛性

Matan Schliserman, Gon Buzaglo, Itay Evron, Daniel Soudry

机构 * Blavatnik School of Computer Science and AI, Tel Aviv University（塔夫茨大学Blavatnik计算机科学与人工智能学院） ； Princeton University（普林斯顿大学） ； Department of Electrical and Computing Engineering, Technion（技术学院电子与计算工程系） 纠错

AI总结 将弱正则化持续分类建模为任务间隔集上的顺序投影，证明全局收敛一般失败，但利用非凸投影理论识别同质深度网络的局部线性收敛条件，并扩展至持续回归。

Beyond IID: How General Are Tabular Foundation Models, Really?

超越IID：表格基础模型到底有多通用？

Lennart Purucker, Andrej Tschalzev, Nick Erickson, Gioia Blayer, David Holzmüller, Alan Arazi, Alexander Pfefferle, Mustafa Tajjar, Gaël Varoquaux, Frank Hutter

机构 * Prior Labs ； University of Freiburg（弗赖堡大学） ； University of Mannheim（曼海姆大学） ； INRIA Saclay（法国国家信息与自动化研究所萨克雷研究中心） ； Technion（技术学院） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Zuse School ELIZA（Zuse学校ELIZA） 纠错

AI总结 针对表格数据基础模型评估碎片化问题，提出统一基准BeyondArena，涵盖多种任务类型、数据规模和特征类型，发现现有模型在IID小数据上表现优异，但非IID、大数据和高维数据仍由传统模型主导。

SP-CACW: Convergence-Aware Client Weighting for Selfish Personalized Learning

SP-CACW：面向自私个性化学习的收敛感知客户端加权

Yaron Kiselman, Kfir Y. Levy

机构 * Technion Haifa, Israel（技术学院海法分校，以色列） 纠错

AI总结 提出SP-CACW框架，通过最小化目标客户端收敛误差上界选择聚合权重，平衡同伴偏差与随机方差，可分配零权重给有害同伴，在MNIST、CIFAR-100和LEAF Shakespeare上表现优于强基线。

Comments 31 pages, 6 figures

You Had One Job: Per-Task Quantization Using LLMs' Hidden Representations

你只有一份工作：利用LLM隐藏表示进行每任务量化

Amit LeVi, Raz Lapid, Rom Himelstein, Chaim Baskin, Ravid Shwartz Ziv, Avi Mendelson

机构 * Technion—Israel Institute of Technology（技术ion—以色列理工学院） ； Zenity（Zenity公司） ； DeepKeep（DeepKeep公司） ； Ben-Gurion University of the Negev（巴伊兰大学） ； New York University（纽约大学） 纠错

AI总结 本文提出TAQ框架，通过任务校准提示分配更高精度给任务相关的transformer层，提升精度-内存比和部署性能。

Comments Accepted at ICML 2026 Workshop on AdaptFM: Resource-Adaptive Foundation Model Inference