University of California, Los Angeles（加州大学洛杉矶分校）

2508.06526 2026-05-20 cs.DC cs.AI cs.AR

PiKV: KV Cache Management System for Mixture of Experts

PiKV: 一种用于混合专家架构的键值缓存管理系统

Dong Liu, Yanxuan Yu, Ben Lengerich, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校）； Yale University（耶鲁大学）； Columbia University（哥伦比亚大学）； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

AI总结本文提出PiKV，一种专为混合专家架构设计的并行分布式键值缓存服务框架，通过专家分片缓存、PiKV路由和PiKV调度来减少缓存访问开销，并通过压缩模块降低内存使用。

Comments Github Link: https://github.com/NoakLiu/PiKV

2605.19458 2026-05-20 cs.LG

Implicit Bias of Mirror Flow in Homogeneous Neural Networks: Sparse and Dense Feature Learning

隐式偏置与同质神经网络中的稀疏和密集特征学习

Tom Jacobs, Guido Montufar

机构 * CISPA Helmholtz Center（CISPA海德堡中心）； UCLA（加州大学洛杉矶分校）； MPI MiS（马克斯·普朗克研究所（MiS））

AI总结研究隐式偏置如何影响同质神经网络中的稀疏和密集特征学习，通过推导新的平衡方程和实验验证，揭示了镜像流在优化动态和分类器几何结构中的作用。

Comments 36 pages, 14 figures

2605.19360 2026-05-20 cs.CV cs.LG cs.NE physics.app-ph physics.optics

Scalable, Energy-Efficient Optical-Neural Architecture for Multiplexed Deepfake Video Detection

可扩展的、节能的光学-神经架构用于多路复用的深度伪造视频检测

Parnian Ghapandar Kashani, Shiqi Chen, Aydogan Ozcan

机构 * Electrical and Computer Engineering Department, University of California, Los Angeles, CA, 90095, USA（加州大学洛杉矶分校电气与计算机工程系）； Bioengineering Department, University of California, Los Angeles, CA, 90095, USA（加州大学洛杉矶分校生物工程系）； California NanoSystems Institute (CNSI), University of California, Los Angeles, CA, 90095, USA（加州大学洛杉矶分校加州纳米系统研究所）

AI总结本文提出了一种结合轻量级数字前端和空间复用光学解码后端的混合深度伪造视频检测框架，通过可编程空间光调制器实现大规模并行模拟推理，从而在降低计算成本的同时提高视频真实性预测的吞吐量和准确性。

Comments 30 Pages, 8 Figures

2605.19325 2026-05-20 cs.LG

An Exterior Method for Nonnegative Matrix Factorization

非负矩阵分解的外方法

Qiujing Lu, Tonmoy Monsoor, Ehsan Ebrahimzadeh, Kartik Sharma, Vwani Roychowdhury

机构 * ECE, UCLA（加州大学洛杉矶分校电子与计算机工程系）； eBay Search Science Team（eBay搜索科学团队）

AI总结本文提出了一种非负矩阵分解的外方法（eNMF），通过分离低秩近似和非负性约束，解决了传统内部方法在非凸优化中收敛慢或陷入次优解的问题，并在多个数据集上验证了其优越的性能。

Comments Accepted to ICML 2026

2511.01126 2026-05-20 cs.LG cs.NA math.NA math.OC math.ST stat.TH

Stochastic Regret Guarantees for Online Zeroth- and First-Order Bilevel Optimization

在线零阶和一阶双层优化的随机遗憾保证

Parvin Nazari, Bojian Hou, Davoud Ataee Tarzanagh, Li Shen, George Michailidis

机构 * Amirkabir University of Technology（阿姆斯泰尔大学）； University of Pennsylvania（宾夕法尼亚大学）； Samsung SDS Research America（三星SDS美国研究部）； University of California, Los Angeles（加州大学洛杉矶分校）

AI总结本文提出了一种新的搜索方向，证明了利用该方向的零阶和一阶随机在线双层优化算法能够在不使用窗口平滑的情况下实现亚线性随机双层遗憾。此外，该框架通过减少超梯度估计中的oracle依赖、同时更新内层和外层变量以及使用基于零阶的Hessian、雅可比和梯度估计来提高效率。

Comments Published at NeurIPS 2025