Lifelong In-Context Learning with Transformers Requires Parametric Forms of Attention
基于Transformer的终身上下文学习需要注意力的参数化形式
机构 * UC San Diego（加州大学圣地亚哥分校）
AI总结 本文提出将上下文学习扩展到终身设置是AI代理持续学习的实用方案，并论证需要参数化注意力机制来在固定硬件预算下理解终身上下文。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
Breaking Data Symmetry is Needed For Generalization in Feature Learning Kernels
打破数据对称性是特征学习核泛化所必需的
机构 * CFIS UPC（UPC 计算机科学与信息系） ； UC San Diego（加州大学圣地亚哥分校）
AI总结 研究特征学习核在代数任务中的“grokking”现象，发现泛化仅在训练集对称性被打破时发生，并通过恢复数据中的不变群作用实现泛化。
Comments Accepted to the 29th International Conference on Artificial Intelligence and Statistics (AISTATS 2026)
RN-D: Discretized Categorical Actors for On-Policy Reinforcement Learning
RN-D：用于同策略强化学习的离散化分类演员
机构 * University of California San Diego, La Jolla, USA（加州大学圣地亚哥分校）
AI总结 提出离散化分类演员替代高斯演员，结合正则化网络形成RN-D，在同策略RL中实现连续控制的最优性能。
Comments Accepted by ICML 2026
