Huawei（华为）

A Perception vs. Distortion Perspective on Score-Based Generative Channel Estimation

基于分数的生成式信道估计中的感知与失真权衡视角

Marco Skocaj, Lukas Eller, Mate Boban

机构 * Advanced Wireless Technology Laboratory, Huawei Heisenberg Research Centre（华为海森堡研究所以高级无线技术实验室） 纠错

AI总结 本文通过感知-失真权衡理论，分析了基于分数的生成模型在信道估计中的优势与局限，指出在高预测不确定性下可接近贝叶斯最优性能，低不确定性下判别式方法更优。

Comments 13 pages

STAR-NT: Spatiotemporal Acceleration of Real-Time Neural Transparency Rendering

STAR-NT: 实时神经透明渲染的时空加速

Grigoris Tsopouridis, Christos Georgiou-Mousses, Aris Panagiotidis, Andreas Vasilakis, David Corrigan, Tobias A. Franke, Aleksei Gorbonosov, Andrei Astapov, Ioannis Fudos

机构 * University of Ioannina（希腊伊奥安纳大学） ； Athens University of Economics and Business（雅典经济与商业大学） ； Huawei Ireland Research Center（华为爱尔兰研究中心） 纠错

AI总结 提出时空加速框架，利用空间自适应四叉树细分和时间深度重投影，降低神经顺序无关透明渲染的几何开销，保持视觉质量。

Comments Supplemental material at https://github.com/gtsopus/STAR-NT

SPRI: SVD-Partitioned Residual Initialization for Data-Constrained MoE Upcycling

SPRI: 基于SVD分解残差初始化的数据受限MoE升级方法

Weiqiao Shan, Ruixiang Mao, Yuang Li, Yuhao Zhang, Yingfeng Luo, Tong Zheng, Chen Xu, Yucheng Qiao, Chunxiang Jin, Yi Yuan, Jingdong Chen, Tong Xiao, Jingbo Zhu

机构 * Northeastern University, China（东北大学） ； Huawei TSC, China（华为技术有限公司） ； CUHK-Shenzhen, China（香港中文大学（深圳）） ； University of Maryland, USA（马里兰大学） ； Harbin Engineering University, China（哈尔滨工程大学） ； Inclusion AI, Ant Group（蚂蚁集团Inclusion AI） ； NiuTrans Research, China（小牛翻译研究中心） 纠错

AI总结 提出SPRI方法，利用预训练FFN权重的SVD分解残差初始化MoE专家，结合两阶段训练策略，在数据受限的多语言语音翻译任务中显著提升性能。

Comments 8pages, 12 tables, 3 figures

Training-free sparse attention based on cumulative energy filtering

基于累积能量过滤的无训练稀疏注意力

Chunlu Li, Yixuan Pan, Bai Du, Zhenyuan Chen, Yanzhao Li, Hui Dong, Hui Wang, Zhiqiang Zou

机构 * Huawei Technologies（华为技术有限公司） 纠错

AI总结 提出动态阈值策略，在保持固定召回率的同时提高稀疏性，并与Flash Attention深度集成，无需额外掩码计算，在Wan 2.2上稀疏度从61.42%提升至82%，VBench指标下降小于5%。

KeepLoRA++: Continual Learning with Layer-Scaled Residual Gradient Adaptation

KeepLoRA++: 基于层级缩放残差梯度适应的持续学习

Mao-Lin Luo, Yi-Lin Zhang, Zi-Hao Zhou, Yankun Hong, Xialiang Tong, Mingxuan Yuan, Tong Wei, Min-Ling Zhang

机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Key Laboratory of Computer Network and Information Integration, Southeast University, Ministry of Education（东南大学计算机网络和信息集成教育部重点实验室） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

AI总结 针对预训练视觉语言模型持续学习中保留预训练知识、旧任务知识和学习新知识的冲突，提出KeepLoRA++，通过层级缩放残差梯度适应方法，限制LoRA参数更新到残差子空间并采用浅到深层缩放，平衡三者，在图像分类、视觉问答和视频理解任务上优于基线。