arXiv · cs.AI· Junhao Zhao, David Michael Simberg, Jacob Kang, Colin Connor Kurniawan, Nan Xu·· 1 天前
Junhao Zhao等提出Internal-DW加权长程自回归预测中的远距离梯度
Large Distant Gradients Need Not Be Reliable: reliability-weighted credit assignment for long-horizon autoregressive forecasting
arXiv:2609.12890v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Junhao Zhao, David Michael Simberg, Jacob Kang, Colin Connor Kurniawan, Nan Xu
研究任务与主要进展
Junhao Zhao等提出Internal-DW，在保留完整前向滚动和所有步骤损失的同时，对内部梯度路径进行可靠性加权，以降低远距离梯度对不可预测变化的放大。论文摘要称，在四个历史占主导、弱驱动测试床上，该方法相较完整BPTT将预测误差降低5.2%至13.8%，并在三个测试床上优于梯度裁剪和Jacobian正则化；但在可用历史有限或采样器无法表示主要驱动相关变化时，收益会减弱甚至反转。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org