跳转至

📂 其他

💬 EMNLP2026 · 2 篇论文解读

📌 同领域跨会议浏览: 🧠 NeurIPS2026 (363) · 🎞️ ECCV2026 (68) · 📷 CVPR2026 (125) · 🔬 ICLR2026 (121) · 💬 ACL2026 (3) · 🧪 ICML2026 (71)

Dissecting Transformers: A CLEAR Perspective Towards Green AI

针对微秒级计算与毫秒级功率传感器失配导致难以精准归因模型内部能耗的难题,本文提出纯软件层面的细粒度能耗测量框架 CLEAR,跨 15 种模型首次解构 Attention 与 MLP 等组件的能耗规律,发现 Attention 的单 FLOP 能耗显著高于全模型平均水平。

Train Smarter, Not Harder: Switching Signal-Guided Training in Active Learning

针对主动学习中每轮全量重训(RETRAIN)开销高昂而持续微调(FINETUNE)在初期损失可塑性且校准崩塌的矛盾,本文提出 HYBRIDAL 自适应切换框架,通过在线监测权重谱指数变化(\(\Delta\alpha\))或验证准确率变化(\(\Delta\mathrm{Acc}\)),在检测到模型表征稳定后将训练模式单向切换为微调,在保持测试 F1 非劣效的前提下节省高达 49% 训练时间并显著保留预测校准度。