论文修正块稀疏谱优化模型并给出有限识别保证

Omid Shams Solari 在 arXiv 论文（arXiv:2610.25721）中从原始问题重建块广义幂方法的模型，指出 A-SUM 与常用的二次提升目标 A-SQ 是两个不等价的目标。论文为 A-SQ 的 safeguard Riemannian ascent 算法给出全序列收敛证明，并在严格阈值裕量下给出支撑与符号的有限识别结果，以及后识别映射和安全筛选规则。 实验部分（作者声称）：在 GPT-2 残差流、ViT CLS 流和 Pitprops 等面板上，阈值化块稀疏成分在重建上与稠密 PCA 相当，并在单义性和类别特化上更优；在三个带原生标签的 scRNA 数据集（Zheng17 FACS 分选 PBMC、68k donor-A、Tabula Muris）上，A-SQ 在匹配稀疏度下聚类恢复 AMI 比稠密 PCA 高 0.023 到 0.044。

AI 根据报道生成 · 11 小时前更新