arXiv发布基于位置编码的可扩展对称性约束松弛方法

近日，arXiv机器学习板块发布了一篇关于基于位置编码的可扩展对称性约束松弛方法的新研究。该研究提出了一种创新的技术路径，旨在解决现有非对称稠密层松弛方法计算开销过大的痛点。研究者通过注入可学习标度的位置信号，并在训练末期逐步退火至零，从而成功恢复了原有的对称性结构。 该方法在实验中被证明能显著提升平移和旋转对称模型的性能，且仅带来微小的计算和内存开销，展现了良好的工程可行性。目前，这篇论文已被国际顶级机器学习会议NeurIPS 2026正式接收，标志着该方法在学术界获得了高度认可。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。