TMLR

Neurons Speak in Ranges: Breaking Free from Discrete Neuronal Attribution

神经元以范围说话：摆脱离散神经元归因

Muhammad Umair Haider, Hammad Rizwan, Hassan Sajjad, Peizhong Ju, A. B. Siddique

机构 * University of Kentucky（肯塔基大学） ； Dalhousie University（达尔豪斯大学） 纠错

AI总结 研究发现大语言模型中神经元具有多义性，提出NeuronLens框架通过范围归因提升模型可解释性和可控性。

Journal ref Transactions on Machine Learning Research, ISSN 2835-8856, 2026. https://openreview.net/forum?id=AukyIhfBuW

FIT-GNN: Faster Inference Time for GNNs that 'FIT' in Memory Using Coarsening

FIT-GNN: 通过粗化提升内存利用率的GNN更快推理时间

Shubhajit Roy, Hrriday Ruparel, Kishan Ved, Anirban Dasgupta

机构 * Indian Institute of Technology Gandhinagar（印度理工学院甘地讷格尔分校） 纠错

AI总结 本文提出FIT-GNN方法，通过图粗化减少推理阶段计算开销，提升GNN的可扩展性，在多个基准数据集上验证了其在单节点推理时间和内存消耗上的显著改进。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026. Available at https://openreview.net/forum?id=g7r7y2I7Sz

Journal ref Trans.Mach.Learn.Res.(2026)