BriefGPT - AI 论文速递 ·

基于结构感知图学习的正无标签节点分类

💡 原文中文，约300字，阅读约需1分钟。

📝

内容提要

本文提出了一种利用图结构进行正样本-未标记样本节点分类的方法，通过引入同类偏执来增加准确的监督信息，并提出了一种正则化项，以使模型与图结构对齐。实证评估表明，该方法具有更卓越的性能。

🏷️

神所使用的 eGPU 并不完美
作者因轻薄本核显性能不足，购买华为显卡魔方外接显卡，但遇电源散热问题导致重启，遂转用机魂联盟扩展坞配RX 9060 XT显卡。性能提升显著，但雷电4带宽限...
Kimi K3 模型结构（6）：输入端与零件，MoonViT-V2、MTP、Per-Head Muon
Kimi K3模型采用从零训练的MoonViT-V2视觉编码器，27层、patch14结构，支持高分辨率图像token化；MTP层预训练后微调为EAGLE...
Kimi K3 模型结构（5）：宽度维度，Stable LatentMoE
Kimi K3模型采用Stable LatentMoE作为FFN，基于NVIDIA LatentMoE改进，将输入压缩至半宽latent空间，增加RMSN...
Kimi K3 模型结构（3）：序列维度，Gated MLA 与 3:1 混合
本文介绍Kimi K3模型结构：采用3:1混合，每四层含一层Gated MLA（无位置编码、满秩sigmoid门），其余为KDA层。MLA低秩压缩KV至5...
Kimi K3 模型结构（2）：序列维度（下），chunkwise 并行与下界衰减
本文介绍Kimi K3模型序列维度的chunkwise并行算法：将序列分块，块间递推状态、块内用矩阵乘并行计算。K3将每步log-decay加−5下界，使...
Kimi K3 模型结构（1）：序列维度（上），从线性注意力到 KDA
本文介绍Kimi K3模型中KDA（Kimi Delta Attention）的递推形式，从线性注意力、DeltaNet到Gated DeltaNet演进...