#CIFAR-10

这篇论文揭示了扩散模型在有限预算训练下的特征选择性崩溃机制，对理解模型长期训练稳定性很有价值。

LP-NAS用线性规划算更新方向，CIFAR-10/ImageNet上优于DARTS及其变体。

这篇论文用可微优化替代离散搜索，Neuron Gating和Mixed Activation找紧凑网络，MNIST上0.26M参数就达99.63%准确率，比DARTS表现更好。

这篇论文提出一个后训练技巧，能在二值网络里提前跳过大量累加计算，VGG11在CIFAR-10上最多省86.6%运算，精度损失很小。

这篇论文复现JEM，对比PC和SGLD采样器，结果在CIFAR-10上几乎没差别，AUROC差小于0.007，还暴露了训练发散问题。搞能量模型的人可以看看。

这篇论文发现伪随机数的选择会影响扩散模型的生成质量，不是随便什么随机源都行，看看它是怎么测的。

想搞懂Transformer为什么深了还能训练？这篇从秩角度拆解跳接、归一化、双矩阵的设计逻辑，比堆实验更透彻。

这篇论文告诉你LLM不仅能写代码，还能帮你自动改进神经网络架构，效果比瞎试好得多，尤其适合有相似模型族的情况。

这篇论文改进了扩散模型的抗污染能力，用f-散度加权去噪在CIFAR-10上30%污染时FID从93降到77，比常用鲁棒损失好用。

这篇论文从PAC-Bayes理论推导出一个基于Jacobian和Hessian的新正则化器，在CIFAR-10上验证有效，值得搞泛化理论的人看看。

这篇论文提出InstantForget，不用重新训练就能清除模型后门，在CIFAR-10上把攻击成功率压到7%，还搞了个检测机制AUROC 98%，挺实用的。