Chalmers University of Technology

2 篇关联报道

arXiv 2026年10月9日
D-SLR 以三倍 SVD 代价实现不劣于截断 SVD 的矩阵压缩，并在 LLM 嵌入表上把预测改变量减少约十倍
作者提出 D-SLR 分解，要求每行要么原样存储、要么由共享低秩基拟合而绝不重叠；在平方误差下该限制不损失最优性，算法以三次 SVD 的闭式代价扫描全部秩与存储行数组合，并给出无需数据假设的事后误差下界证书；在合成矩阵与 LLM 嵌入表等实验中，D-SLR 在同等参数下不劣于截断 SVD，在保留一半参数时改变的模型预测数约为截断 SVD 的十分之一。
作者提出 D-SLR 分解，要求每行要么原样存储、要么由共享低秩基拟合而绝不重叠；在平方误差下该限制不损失最优性，算法以三次 SVD 的闭式代价扫描全部秩与存储行数组合，并给出无需数据假设的事后误差下界证书；在合成矩阵与 LLM 嵌入表等实验中，D-SLR 在同等参数下不劣于截断 SVD，在保留一半参数时改变的模型预测数约为截断 SVD 的十分之一。
Chalmers University of Technology
大语言模型低秩矩阵分解稀疏加低秩分解
bioRxiv 2026年9月29日
TRIDENT-2 用 56 万条毒性测定数据跨真核生物预测化学毒性，平均中位绝对误差为 1.76 至 3.80
作者提出多模态人工智能模型 TRIDENT-2，在覆盖 82,775 种化学品、6,793 个物种和多种暴露情景的 560,780 条毒性测定数据上训练，用于预测进化上多样化的真核生物的化学毒性，报告的平均中位绝对误差为 1.76 至 3.80，并在较大的化学与分类学距离上保持准确，从而可为现有实验证据之外的物种和化学品提供毒性评估。
作者提出多模态人工智能模型 TRIDENT-2，在覆盖 82,775 种化学品、6,793 个物种和多种暴露情景的 560,780 条毒性测定数据上训练，用于预测进化上多样化的真核生物的化学毒性，报告的平均中位绝对误差为 1.76 至 3.80，并在较大的化学与分类学距离上保持准确，从而可为现有实验证据之外的物种和化学品提供毒性评估。
University of Gothenburg Chalmers University of Technology Science for Life Laboratory RWTH Aachen University Mercedes Dalman Patrik Svedberg Thomas Backhaus Jens Henriksson Erik Kristiansson Styrbjörn Käll Mikael B. Gustavsson

已读完全部报道

D-SLR 以三倍 SVD 代价实现不劣于截断 SVD 的矩阵压缩，并在 LLM 嵌入表上把预测改变量减少约十倍

TRIDENT-2 用 56 万条毒性测定数据跨真核生物预测化学毒性，平均中位绝对误差为 1.76 至 3.80