09:38arXiv cs.AI@Julian Hoever, Gregor SchieleKANLib是一个模块化、可扩展且计算高效的Kolmogorov-Arnold网络(KAN)框架,统一了PyKAN、EfficientKAN和FastKAN等现有实现的核心概念。它支持两种基函数类型、自适应网格缩放、网格扩展及细粒度架构定制,并保持与PyTorch工作流的兼容性。在California Housing基准上,KANLib再现了参考KAN实现的预测行为,同时实现了有竞争力的计算效率。该框架允许探索超出标准KAN公式的架构变体,对预测性能影响微小。论文KANLibKANKolmogorov-Arnold Networks可解释性模块化框架推荐理由:想试KAN但被碎片化实现劝退?KANLib把PyKAN、EfficientKAN、FastKAN统一成一个高效框架,直接上手跑基准。原文
13:33marktechpost@Asif Razzaq精选来自新加坡国立大学、MIT和A*STAR的研究人员提出了MEMO框架,该框架将语料库知识编码到一个独立的可训练记忆模型中,无需修改大语言模型(LLM)的参数。MEMO通过模块化设计,让LLM能够动态访问外部记忆,从而高效学习新知识,同时保持原有模型能力不变。这一方法解决了LLM在持续学习中的灾难性遗忘问题,并降低了更新成本。实验表明,MEMO在知识注入任务上表现优异,且不影响模型原有性能。论文记忆模型模块化框架持续学习LLM知识注入推荐理由:MEMO解决了LLM持续学习中的核心痛点——无需重训模型就能注入新知识,做知识密集型应用(如问答、检索增强生成)的团队可以直接参考,值得关注。原文