Glocal Hypergradient Estimation with Koopman Operator
RIKEN AIP(理化学研究所先进智能项目);Osaka University(大阪大学)
本文提出融合全局可靠性与局部高效性的全局-局部超梯度估计方法,利用Koopman算子线性化超梯度动态,仅用局部轨迹近似全局超梯度,实现高效可靠的超参数优化。
2024-05-26 cs.LG stat.ML
On-Policy Optimization of ANFIS Policies Using Proximal Policy Optimization
College of Engineering and Applied Science(工程与应用科学学院)
本文提出用PPO同策略actor-critic框架训练ANFIS神经模糊控制器,在CartPole-v1上以零方差稳定达到满分500,优于ANFIS-DQN基线,验证了PPO训练可解释模糊智能体的优势。
2025-07-04 cs.AI cs.LG
Hyperparameter optimization with approximate gradient
CEREMADE(CEREMADE(巴黎多芬大学数学与决策研究中心));CNRS(法国国家科学研究中心);Université Paris-Dauphine(巴黎多芬大学);PSL Research University(巴黎文理研究大学);École Normale Supérieure(巴黎高等师范学院)
机器学习中的大多数模型都包含至少一个超参数来控制模型的复杂性。选择一组合适的超参数对于模型精度和计算挑战都至关重要。在这项工作中,我们提出了一个算法的优化连续超参数使用不精确的梯度信息。这种方法的优点是可以在模型参数完全收敛之前更新超参数。基于所涉及函数的正则条件和误差的可和性,给出了该方法全局收敛的充分条件。最后,我们通过L2正则化逻辑斯谛回归和核岭回归的正则化常数估计验证了该方法的经验性能。经验基准表明,我们的方法是非常有竞争力的最先进的方法。
2022-11-21 cs.LG math.OC stat.ML
Adam Can Converge Without Any Modification On Update Rules
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));University of Michigan(密歇根大学);Shenzhen Research Institute of Big Data(深圳大数据研究院)
自从Reddi et al. 2018指出Adam的发散问题以来,已经设计了许多新的变体来获得收敛。然而,香草亚当仍然非常受欢迎,并且在实践中效果良好。为什么理论和实践之间存在差距?我们指出理论和实践的设置之间存在不匹配:Reddi等人2018在选择Adam的超参数之后选择了这个问题,即,$(β_1, β_2)$ ;而实际应用程序通常先修复问题,然后再调优$(β_1, β_2)$。由于这一观察,我们推测,只有当我们改变选择问题和超参数的顺序时,经验收敛才能在理论上得到证明。在这项工作中,我们证实了这一猜想。证明了当$β_2$较大且$β_1 < \sqrt{β_2}<1$,Adam收敛于临界点的邻域.邻域的大小与随机梯度的方差有关。在一个额外的条件下(强增长条件),亚当收敛到临界点。值得一提的是,我们的结果覆盖了广泛的超参数:随着$β_2$的增加,我们的收敛结果可以覆盖任何$β_1 \in [0,1)$,包括$β_1=0.9$,这是深度学习库中的默认设置。据我们所知,这是第一个表明Adam可以在不修改其更新规则的情况下收敛的结果。此外,我们的分析不需要有界梯度或有界二阶动量的假设。当$β_2$很小时,我们进一步指出了$(β_1,β_2)$的一个大区域,亚当可以发散到无穷大。我们的发散结果考虑了与收敛结果相同的设置,表明当增加$β_2$时从发散到收敛的相变。这些积极和消极的结果可以提供…
2023-01-13 cs.LG math.OC
Generalization Guarantees on Data-Driven Tuning of Gradient Descent with Langevin Updates
Machine Learning Department, Carnegie Mellon University(卡内基梅隆大学机器学习系);Electrical and Computer Engineering Department, Carnegie Mellon University(卡内基梅隆大学电气与计算机工程系)
本文研究了通过超参数调优实现学习学习的问题,提出兰格文梯度下降算法,并证明其在平方损失下达到贝叶斯最优解,同时给出了泛化保证和经验验证。
2026-09-11 cs.LG stat.ML
Bilevel optimization for learning hyperparameters: Application to solving PDEs and inverse problems with Gaussian processes
Department of Mathematics, Cornell University(数学系,康奈尔大学);Department of Computing and Mathematical Sciences, California Institute of Technology(计算与数学科学系,加州理工学院)
本文提出一种基于高斯-牛顿线性化的双层优化策略,用于高效学习超参数,应用于高斯过程求解偏微分方程和反问题,显著提升准确性和鲁棒性。
2025-10-07 cs.LG physics.comp-ph stat.ML
The Role of Target Update Frequencies in Q-Learning
Institute of Mathematics, University of Mannheim(曼海姆大学数学研究所);Department of Mathematics & Informatics, University of Wuppertal(乌珀塔尔大学数学与信息学系)
本文通过理论分析揭示了Q学习中目标更新频率对收敛性的影响,证明自适应更新策略能优化样本复杂度。
2026-02-03 cs.LG math.OC stat.ML
Dynamic Update-to-Data Ratio: Minimizing World Model Overfitting
University of Freiburg(弗莱堡大学);University of Technology Nuremberg(纽伦堡工业大学)
基于验证集性能的早期停止是在监督学习的上下文中找到欠拟合和过拟合之间的正确平衡的流行方法。然而,在强化学习中,即使对于诸如世界模型学习的监督子问题,早期停止也不适用,因为数据集是不断发展的。作为一种解决方案,我们提出了一种新的通用方法,该方法在训练过程中动态调整更新数据(UTD)比率,该方法基于对未用于训练的连续收集的经验的一个小子集的欠拟合和过拟合检测。我们将我们的方法应用于DreamerV2,这是一种最先进的基于模型的强化学习算法,并在DeepMind Control Suite和Atari $100$ k基准测试中对其进行了评估。结果表明,可以更好地平衡下和高估,通过调整UTD比与我们的方法相比,在DreamerV2的默认设置,它是一个广泛的超参数搜索,这是不可行的许多应用程序的竞争力。我们的方法消除了手动设置UTD超参数的需要,甚至导致了对其他学习相关超参数的更高鲁棒性,进一步减少了必要的调整量。
2023-03-17 cs.LG stat.ML
QLABGrad: a Hyperparameter-Free and Convergence-Guaranteed Scheme for Deep Learning
University of Saskatchewan(萨斯喀彻温大学)
针对深度学习中学习率需依赖经验调参的问题,提出无超参数的QLABGrad自适应方案,通过优化QLAB函数自动确定学习率,理论证明收敛性,实验验证其在多数据集和架构上优于现有方案。
2024-03-11 cs.LG math.OC
Optimizing Large-Scale Hyperparameters via Automated Learning Algorithm
JD Finance America Corporation(京东金融美国公司);University of Pittsburgh(匹兹堡大学);Nanjing University of Information Science & Technology(南京信息工程大学)
现代机器学习算法通常涉及调整多个(从一个到数千个)超参数,这些超参数在模型泛化方面起着关键作用。黑箱优化和基于梯度的优化算法是超参数优化的两种主流方法,它们具有明显的优势。如何设计一个新的超参数优化技术继承所有的优点,从这两种方法仍然是一个悬而未决的问题。为了解决这一难题,本文提出了一种新的零阶超梯度超参数优化方法(HOZOG)。具体来说,我们首先将超参数优化精确地表述为基于A的约束优化问题,其中A是黑盒优化算法(如深度神经网络)。然后,我们使用平均零阶超梯度来更新超参数。分析了HOZOG用于超参数优化的可行性。最后,通过对3个典型的超参数优化任务的实验结果表明,与现有的超参数优化方法相比,HOZOG方法具有简单、可扩展、灵活、有效和高效等优点.
2021-02-17 cs.LG
GQA-μP: The maximal parameterization update for grouped query attention
UC Davis(加州大学戴维斯分校);MBZUAI IFM(脑科学与人工智能研究院(MBZUAI IFM));USC(南加州大学);Cerebras(Cerebras公司);Carnegie Mellon University(卡内基梅隆大学)
本文基于谱特征学习观点,提出组查询注意力的最大参数更新方法,通过数学分析实现参数转移,解决了新模型架构下的参数更新难题。
2026-05-14 cs.AI cs.LG
Self-Tuning Networks: Bilevel Optimization of Hyperparameters using Structured Best-Response Functions
University of Toronto(多伦多大学);Vector Institute(向量研究所)
超参数优化可以用公式表示为双层优化问题,其中训练集上的最优参数取决于超参数。我们的目标是通过将紧凑近似拟合到最佳响应函数来适应神经网络的正则化超参数,该函数将超参数映射到最佳权重和偏差。我们展示了如何通过将最佳响应建模为单个网络来构建神经网络的可扩展最佳响应近似,该网络的隐藏单元在正则化器上有条件地被选通。我们证明了这种近似,通过显示具有L2正则化雅可比矩阵的浅线性网络的确切最佳响应可以由类似的门控机制表示。我们使用基于梯度的超参数优化算法拟合该模型,该算法在当前超参数周围近似最佳响应和使用近似最佳响应函数优化超参数之间交替。与其他基于梯度的方法不同,我们不需要区分训练损失与超参数,允许我们调整离散超参数,数据增强超参数和辍学概率。由于超参数是在线适应的,我们的方法发现超参数时间表,可以超过固定的超参数值。从经验上讲,我们的方法在大规模深度学习问题上优于竞争的超参数优化方法。我们将在训练过程中在线更新自己的超参数的网络称为自调优网络(STNs)。
2019-03-07 cs.LG stat.ML
Using Deep Q-Learning to Control Optimization Hyperparameters
IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心)
我们提出了强化学习状态、动作和报酬函数的新定义,允许深度Q网络(DQN)学习控制优化超参数。使用Q学习与经验重放,我们训练两个DQN接受一个目标函数的状态表示作为输入,并输出预期的折扣回报,或q值,连接到调整学习率或保持不变的动作。这两个DQN学习类似于线搜索的策略,但在允许的动作数量上有所不同。经训练的DQN与基于梯度的更新例程相结合形成Q梯度下降算法的基础。为了证明这个框架的可行性,我们表明,DQN的q值与最佳的行动收敛和Q-梯度下降算法优于梯度下降与Armijo或非单调线搜索。与传统的最优化方法不同,Q-梯度下降可以包含任何客观统计量,通过改变动作,我们可以深入了解成功进行神经网络优化的学习率调整策略的类型。
2016-06-19 cs.LG math.OC
Meta-Learning Parameterized First-Order Optimizers using Differentiable Convex Optimization
University of California Berkeley(加州大学伯克利分校)
机器学习和控制中的传统优化方法严重依赖于一阶更新规则。为特定任务选择正确的方法和超参数通常涉及试错或从业者的直觉,这激发了元学习领域。我们提出了一个元学习框架,其中的内循环优化步骤涉及到解决可微凸优化(DCO),概括了广泛的家庭预先存在的更新规则。我们说明了这种方法的理论吸引力,它使一个家庭的线性最小二乘问题的一步优化,元学习者有足够的曝光类似的任务。DCO更新规则的各种实例化在一系列说明性实验设置上与常规优化器进行比较。
2023-03-29 cs.AI cs.LG math.OC
Damped Gauss Newton Search for Multi Metric Hyperparameter Optimization
本文提出一种多目标阻尼高斯-牛顿超参数搜索方法,通过有限差分雅可比和Tikhonov正则化实现定向更新,在乳腺癌数据集上匹配网格搜索精度,但整体性能未稳定超越随机搜索或TPE。
2026-09-29 cs.LG math.OC
Gradient-based Bi-level Optimization for Deep Learning: A Survey
Mila - Quebec AI Institute(米拉 - 魁北克人工智能研究所);McGill University(麦吉尔大学);City University of Hong Kong(香港城市大学);University of Washington(华盛顿大学)
本文综述了深度学习中基于梯度的双层优化方法,系统梳理其形式化定义、问题构建准则、单任务与多任务表述及四类求解器,并展望数据优化与显式代理更新两个未来方向。
2023-07-09 cs.LG math.OC
Provably Efficient Online Hyperparameter Optimization with Population-Based Bandits
University of Oxford(牛津大学)
最近机器学习的许多成功都依赖于良好调整的超参数。这在强化学习(RL)中尤为突出,其中配置的微小变化可能导致失败。尽管调整超参数很重要,但它仍然很昂贵,而且通常是以一种幼稚而费力的方式完成的。最近解决这个问题的一个方法是基于群体的训练(PBT),它在一个单一的训练运行中更新权重和超参数。PBT已被证明在RL中特别有效,导致在该领域的广泛使用。然而,PBT缺乏理论保证,因为它依赖于随机算法来探索超参数空间。这种低效率意味着它通常需要大量的计算资源,这对于许多中小型实验室来说是禁止的。在这项工作中,我们介绍了第一个可证明有效的PBT风格的算法,人口为基础的土匪(PB2)。PB2使用概率模型以有效的方式指导搜索,从而可以发现高性能的超参数配置,其代理数量远远少于PBT通常所需的代理数量。我们在一系列RL实验中表明,PB2能够以适度的计算预算实现高性能。
2021-06-04 cs.LG stat.ML
DEAM: Adaptive Momentum with Discriminative Weight for Stochastic Optimization
IFM Lab, Florida State University(佛罗里达州立大学IFM实验室(IFM Lab, Florida State University))
具有动量的优化算法,例如,(ADAM),由于与随机梯度下降(SGD)相比更快的收敛速度,已被广泛用于构建深度学习模型。在参数更新过程中,动量有助于加速相关方向上的SGD,从而减小参数更新路径的振荡。然而,像ADAM这样的动量优化算法在某些更新步骤中存在误差。固定动量权重(例如,β_1)将传播动量计算中的误差。本文介绍了一种新的优化算法,即自适应动量判别加权法(DEAM)。DEAM提出了基于判别角自动计算动量项权重的方法,而不是用固定的超参数来分配动量项权重。这样,DEAM涉及更少的超参数。DEAM还包含一个新的回溯项,当需要校正最后一步时,该项限制了冗余更新。大量的实验表明,DEAM可以实现更快的收敛速度比现有的优化算法在训练的深度学习模型的凸和非凸的情况。
2020-01-23 cs.LG math.OC stat.ML
AdaCL:Adaptive Continual Learning
Eindhoven University of Technology(埃因霍温理工大学)
针对类增量学习中超参数固定、难以适应任务新颖性与难度变化的问题,提出基于贝叶斯优化的 AdaCL,为每个新任务自动调节学习率、正则化强度和内存大小,从而改善准确率、遗忘与内存表现。
2024-07-01 cs.CV cs.LG
Adaptive Federated Learning via Dynamical System Model
Department of Electrical and Computer Engineering(电气与计算机工程系)
针对异构联邦学习中超参数调优成本高、收敛难的问题,提出将联邦学习建模为动力系统的自适应方法,通过单个全局超参数动态调控客户端与服务器的学习率和动量,实现更优收敛且无需繁琐调参。
2025-10-05 cs.LG cs.SY eess.SY
Improved Robustness and Hyperparameter Selection in the Dense Associative Memory
University of Otago(奥塔哥大学);School of Computing(计算机学院)
本文针对Dense Associative Memory在大维度数据下浮点计算易溢出的问题,提出修改网络描述以缓解计算问题且不改变其动态,并大幅改善了超参数选择,消除了对交互顶点的依赖。
2024-09-21 cs.LG cs.NE
OEUVRE: OnlinE Unbiased Variance-Reduced loss Estimation
Machine Learning Department(机器学习系);Carnegie Mellon University(卡内基梅隆大学)
OEUVRE提出一种在线无偏方差缩减损失估计器,利用算法稳定性实现常数时间更新,并证明其一致性、收敛速率和集中界,在多种任务上优于或匹配其他估计器。
2025-10-26 cs.LG stat.ML
Dynamic Surrogate Switching: Sample-Efficient Search for Factorization Machine Configurations in Online Recommendations
Outbrain Inc.(Outbrain公司)
超参数优化是识别给定机器学习模型关于给定学习任务的适当超参数配置的过程。对于较小的数据集,穷举搜索是可能的;然而,当数据大小和模型复杂度增加时,配置评估的数量成为主要的计算瓶颈。解决这类问题的一个有前途的范例是基于代理的优化。这种范式的主要思想考虑了超参数空间和输出(目标)空间之间关系的增量更新模型;该模型的数据是通过评估主学习引擎获得的,例如,基于因子分解机器的模型。通过学习近似超参数-目标关系,代理(机器学习)模型可用于对大量超参数配置进行评分,从而探索配置空间中直接机器学习发动机评估所达不到的部分。通常,在优化初始化之前选择代理,并且在搜索期间保持不变。我们研究了在优化过程中代理人的动态切换是否是一个明智的想法,选择最合适的基于因式分解机器的模型进行大规模在线推荐的实际相关性。我们对包含数亿实例的数据集进行了基准测试,以确定基线,如基于随机森林和高斯过程的代理。结果表明,代理切换可以提供良好的性能,同时考虑较少的学习引擎评价。
2022-09-29 cs.AI cs.LG
Greedy Alignment Principle for Optimizer Hyperparameter Selection
Computer Vision Lab, ASRI, Seoul National University(计算机视觉实验室,ASRI,首尔国立大学)
本文提出基于梯度更新对齐的贪心原则,用于优化器选择与调参,通过数学建模证明该原则能最大化损失下降率,并在多种任务中验证动态动量规则的有效性。
2026-11-06 cs.LG stat.ML
Understanding the Mechanisms of Fast Hyperparameter Transfer
Flatiron Institute(Flatiron研究所)
本文研究了深度学习中快速超参数转移的机制,通过理论分析和实验验证,揭示了转移策略在不同问题结构下的有效性及计算效率。
2025-12-28 cs.AI cs.LG stat.ML
PABO: Pseudo Agent-Based Multi-Objective Bayesian Hyperparameter Optimization for Efficient Neural Accelerator Design
Purdue University(普渡大学);Oak Ridge National Laboratory(橡树岭国家实验室)
深度神经网络(DNN)不断增加的计算成本以及对DNN加速的节能硬件的需求使得DNN的准确性和硬件成本协同优化变得非常重要,特别是对于边缘设备。由于大的参数空间和在搜索空间中评估每个参数的成本,DNN超参数的手动调整是不切实际的。自动联合DNN和硬件超参数优化是必不可少的这样的问题。基于贝叶斯优化的方法在DNN的超参数优化方面已经显示出了有希望的结果。然而,这些技术中的大多数都是在没有考虑底层硬件的情况下开发的,从而导致设计效率低下。此外,少数作品进行联合优化是不可推广的,主要集中在基于CMOS的架构。在这项工作中,我们提出了一种新的基于伪代理的多目标超参数优化(PABO),以最大限度地提高DNN的性能,同时获得低硬件成本。与现有的方法相比,我们的工作提出了一种理论上不同的方法,用于精度和硬件成本的联合优化,并专注于基于忆阻交叉杆的加速器。PABO使用一个管理代理建立网络精度和硬件成本要求的后验高斯分布模型之间的连接。该代理通过消除不必要的计算和更新的采集功能,从而实现显着的加速优化过程,降低了协同优化问题的数学复杂性。PABO输出了一个帕累托边界,强调了设计高精度和硬件效率之间的权衡。我们的研究结果表明,与最先进的方法相比,在准确性和计算速度方面(约100倍的速度)都具有优越的性能。
2019-06-11 cs.ET cs.LG cs.NE
On the Parameterization of Second-Order Optimization Effective Towards the Infinite Width
Tokyo Institute of Technology(东京工业大学);Artificial Intelligence Research Center(人工智能研究中心);AIST(日本产业技术综合研究所)
本文提出一种面向无限宽度的二阶优化参数化方法,通过揭示超参数适当尺度,使K-FAC和Shampoo在宽网络中稳定促进特征学习并实现超参数跨宽度迁移。
2024-06-08 cs.LG
Self-Tuning Stochastic Optimization with Curvature-Aware Gradient Filtering
University of Toronto(多伦多大学);Vector Institute(向量学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
标准的一阶随机优化算法仅基于平均小批量梯度进行更新,并且已经表明跟踪曲率等附加量可以帮助降低常见超参数的敏感性。基于这种直觉,我们探索使用精确的每样本海森向量乘积和梯度来构造自调整和无超参数的优化器。基于动态模型的梯度,我们推导出一个过程,导致曲率校正,噪声自适应在线梯度估计。我们更新的平滑性使其更适合简单的步长选择方案,我们也基于我们的估计量。我们证明了我们的基于模型的过程收敛于嘈杂的二次设置。虽然我们在深度学习任务中没有看到类似的收益,但我们可以匹配调优优化器的性能,最终,这是构建自调优优化器的有趣步骤。
2020-11-09 cs.LG
In-Context Freeze-Thaw Bayesian Optimization for Hyperparameter Optimization
University of Freiburg(弗莱堡大学);ELLIS Institute Tübingen(图宾根ELLIS研究所)
针对冻融贝叶斯优化代理模型更新开销大的问题,提出基于PFN的代理模型FT-PFN,结合新采集机制MFPI-random构建ifBO方法,在三类HPO基准上实现更准更快的最优性能。
2024-08-12 cs.LG
Beyond the Boundaries of Proximal Policy Optimization
University of Oxford(牛津大学);University College London(伦敦大学学院);Meta;University of Cambridge(剑桥大学)
本研究将PPO拆解为内环更新向量估计与外环单位学习率梯度上升更新,提出outer-PPO框架以任意梯度优化器应用更新,通过实验验证了外环非单位学习率、动量及内环动量偏差的效果,在Brax等环境上取得显著提升。
2024-11-01 cs.AI cs.LG
Adaptive Optimization Algorithms for Machine Learning
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本论文研究机器学习优化器中的自适应性,提出个性化、元学习、超参数方差缩减、步长牛顿法和低维更新等新算法,改进收敛保证并提升实用算法分析。
2023-11-16 cs.LG math.OC
Development of Deep Learning Optimizers: Approaches, Concepts, and Update Rules
Istanbul Medeniyet University(伊斯坦布尔梅德尼耶特大学)
本文按时间顺序系统综述了从SGD到Momentum、AdamW、Sophia和Muon等深度学习优化器,详细解析其更新规则、技术特点与默认超参数,并指出未来优化挑战,为领域提供全面参考。
2026-10-28 cs.LG
L$^{2}$NAS: Learning to Optimize Neural Architectures via Continuous-Action Reinforcement Learning
University of Alberta(阿尔伯塔大学);Huawei Technologies(华为技术);Huawei Kirin Solution Shanghai(华为麒麟解决方案上海)
神经结构搜索(NAS)在深度神经网络设计中取得了显著的效果。可微结构搜索将离散结构上的搜索转化为超参数优化问题,可以通过梯度下降来求解。然而,人们对梯度法求解非凸建筑超参数优化问题的有效性和推广性提出了质疑。在本文中,我们提出了L $^{2}$ NAS,它学习智能优化和更新架构超参数,通过演员神经网络的基础上分布的高性能架构的搜索历史。我们引入了一个分位数驱动的训练过程,有效地训练L $^{2}$ NAS在一个演员-评论家的框架,通过连续动作强化学习。实验结果表明,L $^{2}$ NAS在NAS-Bench-201基准测试、DARTS搜索空间和One-for-All MobileNetV3搜索空间上均取得了较好的性能。我们还表明,由L $^{2}$ NAS生成的搜索策略是可推广的,并可在不同的训练数据集之间进行最小的微调。
2021-09-25 cs.CV cs.LG
AdaDPO: Self-Adaptive Direct Preference Optimization with Balanced Gradient Updates
Incept Labs(Incept实验室)
针对DPO中梯度不对称导致模型偏向避免不良回答而非生成优质回答的问题,提出AdaDPO算法,通过引入基于策略模型生成概率的自适应系数来平衡正负偏好梯度,在AlpacaEval 2上优于DPO并缓解长度偏差。
2026-05-27 cs.CL cs.LG
Hybrid Coordinate Descent for Efficient Neural Network Learning Using Line Search and Gradient Descent
University of Connecticut(康涅狄格大学)
针对平方误差损失的神经网络训练,提出按梯度模长阈值在线搜索与梯度更新间切换的混合坐标下降法,并通过两层 ReLU 网络实验揭示超参数对收敛与效率的影响。
2024-08-02 cs.LG
Boosting Resource-Constrained Federated Learning Systems with Guessed Updates
EPFL(瑞士联邦理工学院)
针对联邦学习中边缘设备资源受限、系统异构导致收敛慢及超参数调优耗资源的问题,提出无梯度推测更新算法GEL,可结合多种前沿算法,在学习率未最优调优时提升性能,资源受限网络中收敛速度最高提升40%,降低调优需求。
2025-06-14 cs.DC cs.LG