#表示学习

HRIL通过高阶张量建模解决了多模态协同信息捕捉难题，在协同任务上表现优于现有方法。

北大团队推出HGR框架，让分子模型能直接处理环系统等高阶拓扑，生成100%有效分子，性能全面领先。

这篇论文用残差代数替代特征拼接，在A股数据上收益从13.5%提升到19.1%，Sharpe从1.42涨到2.09，比所有对照方法都强。

新研究发现大模型脑子里有张星空图，还能解码出来，挺有意思的。

这篇论文让通用神经网络也能处理对称性，不需要专门设计等变算子，在基因、图像和点云数据上都有效果。

这篇论文用对比图神经网络给疾病轨迹建模，能更精细地聚类病程相似的患者，比传统方法好用。

这篇论文明确提出当前AI在真正开放创新上的两个瓶颈，不是堆能力就能解决的。搞AI研究和产品的人都该看看这个分析。

想提升扩散模型的表示质量吗？这篇论文研究了训练中的重构与解耦权衡，还教你用门控残差U-Net和噪声课程来引导优化，效果不错。

这篇论文给了Muon一个新视角：它不只是优化器，更像隐式残差连接，专门为下游层保留好的表示。想理解Muon为什么管用的可以看看。

这篇论文提出了一个实用工具，帮你检查时间序列模型到底学到了什么，而不仅是预测准确度。

想用多视角多模态数据训练视频理解模型？UNIEGO用代理模型搞定异构教师蒸馏，在三个任务上刷新了纪录。

做多模态学习或生物信息学研究的团队，LWR解决了缺失模态下的鲁棒表示学习痛点，直接利用可用模态避免误差累积，值得关注其实验结果。

CHARM解决了多变量时间序列表示学习的通用性问题，做传感器数据分析、工业监控或金融时序预测的团队可以直接用线性探针获得强性能，值得关注其跨数据集泛化能力。