Ben-Gurion University of the Negev

图神经网络的权重矩阵作用在经图传播的特征上，因此一个在参数空间里归一化良好的更新，仍可能被图结构放大成很大的表示层扰动。GraphMuon把Muon的矩阵正交化改到由图传播输入协方差定义的度量下进行，并按更新对层表示的实际影响缩放步长。在三个大规模OGB基准上，它达到AdamW验证损失目标所需的实际耗时缩短为原来的1/2.32至1/1.32，即1.32至2.42倍加速。

图神经网络的权重矩阵作用在经图传播的特征上，因此一个在参数空间里归一化良好的更新，仍可能被图结构放大成很大的表示层扰动。GraphMuon把Muon的矩阵正交化改到由图传播输入协方差定义的度量下进行，并按更新对层表示的实际影响缩放步长。在三个大规模OGB基准上，它达到AdamW验证损失目标所需的实际耗时缩短为原来的1/2.32至1/1.32，即1.32至2.42倍加速。

回归模型在高风险决策中需要同时给出点估计、风险区间和弃权选项，而此前区间方法与选择性预测各自只提供其中一部分。SelPI把区间头、取值头和两个弃权门放在同一个损失下联合训练，并用Fréchet惩罚把两个门的预算与联合接受率绑定。在18个表格基准上，区间宽度能较好预测大的点误差，却与区间未命中呈负相关，因此按宽度弃权会丢掉区间本来正确的输入；固定基础预测器后，学到的门在全部18个表格数据集上按区间评分优于宽度阈值，并随任务异方差性增强而扩大优势。

回归模型在高风险决策中需要同时给出点估计、风险区间和弃权选项，而此前区间方法与选择性预测各自只提供其中一部分。SelPI把区间头、取值头和两个弃权门放在同一个损失下联合训练，并用Fréchet惩罚把两个门的预算与联合接受率绑定。在18个表格基准上，区间宽度能较好预测大的点误差，却与区间未命中呈负相关，因此按宽度弃权会丢掉区间本来正确的输入；固定基础预测器后，学到的门在全部18个表格数据集上按区间评分优于宽度阈值，并随任务异方差性增强而扩大优势。

概率时间序列预测既要刻画时间结构，又要给出不确定性，还要推理够快；扩散与流匹配类方法靠多步迭代采样换取灵活性，代价是推理开销随步数增长。KGO把预测看成结构化不确定性在Koopman潜空间中的演化：KoPE用学习到的线性算子外推潜轨迹，KoFM用矩阵指数把噪声一步搬运到未来，AUG按变量与预测步自适应分配确定性与随机分支。在ProbTS的17个设置上，KGO在13项取得最低CRPS、16项最低NMAE，并报告相对迭代生成模型至少25倍的推理加速。

概率时间序列预测既要刻画时间结构，又要给出不确定性，还要推理够快；扩散与流匹配类方法靠多步迭代采样换取灵活性，代价是推理开销随步数增长。KGO把预测看成结构化不确定性在Koopman潜空间中的演化：KoPE用学习到的线性算子外推潜轨迹，KoFM用矩阵指数把噪声一步搬运到未来，AUG按变量与预测步自适应分配确定性与随机分支。在ProbTS的17个设置上，KGO在13项取得最低CRPS、16项最低NMAE，并报告相对迭代生成模型至少25倍的推理加速。

企业要检查大模型回复是否违反内部政策，此前主要靠微调检测器或让另一个大模型逐条评判，训练和推理开销都不小。新做法把违规判定改写成激活空间里的分布外检测：只用政策文本和少量示例估计一个白化变换，把合规回复的隐状态标准化，再用其欧氏范数对照校准阈值。在 DynaBench 测试集上，以 Qwen2.5-7B-Instruct 为骨干时 F1 达到 86.0%，高于表中所列微调检测器与 LLM-as-a-judge 基线。

企业要检查大模型回复是否违反内部政策，此前主要靠微调检测器或让另一个大模型逐条评判，训练和推理开销都不小。新做法把违规判定改写成激活空间里的分布外检测：只用政策文本和少量示例估计一个白化变换，把合规回复的隐状态标准化，再用其欧氏范数对照校准阈值。在 DynaBench 测试集上，以 Qwen2.5-7B-Instruct 为骨干时 F1 达到 86.0%，高于表中所列微调检测器与 LLM-as-a-judge 基线。

在相同架构与数据下，仅凭训练好的检查点重建训练图像时，Muon 训练的模型泄露最多，Adam 训练的模型在评测攻击下最抗重建，优化器选择因此成为训练数据隐私的一个控制轴。

在相同架构与数据下，仅凭训练好的检查点重建训练图像时，Muon 训练的模型泄露最多，Adam 训练的模型在评测攻击下最抗重建，优化器选择因此成为训练数据隐私的一个控制轴。