Cubit: Token Mixer with Kernel Ridge Regression
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Zheng, Chuanyang, Sun, Jiankai, Gao, Yihang, Wang, Yuehao, Tan, Liangchen, Schwager, Mac, Schneider, Anderson, Nevmyvaka, Yuriy, Liu, Xiaodong |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
GeoNorm: Unify Pre-Norm and Post-Norm with Geodesic Optimization
par: Zheng, Chuanyang, et autres
Publié: (2026)
par: Zheng, Chuanyang, et autres
Publié: (2026)
Understanding the Mixture-of-Experts with Nadaraya-Watson Kernel
par: Zheng, Chuanyang, et autres
Publié: (2025)
par: Zheng, Chuanyang, et autres
Publié: (2025)
SAS: Simulated Attention Score
par: Zheng, Chuanyang, et autres
Publié: (2025)
par: Zheng, Chuanyang, et autres
Publié: (2025)
Technical Report: Full-Stack Fine-Tuning for the Q Programming Language
par: Hogan, Brendan R., et autres
Publié: (2025)
par: Hogan, Brendan R., et autres
Publié: (2025)
Speculative Sampling for Parametric Temporal Point Processes
par: Biloš, Marin, et autres
Publié: (2025)
par: Biloš, Marin, et autres
Publié: (2025)
Small Vocabularies, Big Gains: Pretraining and Tokenization in Time Series Models
par: Roger, Alexis, et autres
Publié: (2025)
par: Roger, Alexis, et autres
Publié: (2025)
A Mechanistic Study of Tabular Foundation Models
par: Biloš, Marin, et autres
Publié: (2026)
par: Biloš, Marin, et autres
Publié: (2026)
Aria-NeRF: Multimodal Egocentric View Synthesis
par: Sun, Jiankai, et autres
Publié: (2023)
par: Sun, Jiankai, et autres
Publié: (2023)
Deep Generative Sampling in the Dual Divergence Space: A Data-efficient & Interpretative Approach for Generative AI
par: Garg, Sahil, et autres
Publié: (2024)
par: Garg, Sahil, et autres
Publié: (2024)
Towards Interpretable and Trustworthy Time Series Reasoning: A BlueSky Vision
par: Ning, Kanghui, et autres
Publié: (2025)
par: Ning, Kanghui, et autres
Publié: (2025)
$\textbf{S}^2$IP-LLM: Semantic Space Informed Prompt Learning with LLM for Time Series Forecasting
par: Pan, Zijie, et autres
Publié: (2024)
par: Pan, Zijie, et autres
Publié: (2024)
Privacy Amplification by Structured Subsampling for Deep Differentially Private Time Series Forecasting
par: Schuchardt, Jan, et autres
Publié: (2025)
par: Schuchardt, Jan, et autres
Publié: (2025)
FAST-Splat: Fast, Ambiguity-Free Semantics Transfer in Gaussian Splatting
par: Shorinwa, Ola, et autres
Publié: (2024)
par: Shorinwa, Ola, et autres
Publié: (2024)
Progressive-Hint Prompting Improves Reasoning in Large Language Models
par: Zheng, Chuanyang, et autres
Publié: (2023)
par: Zheng, Chuanyang, et autres
Publié: (2023)
Reweighting Improves Conditional Risk Bounds
par: Zhang, Yikai, et autres
Publié: (2025)
par: Zhang, Yikai, et autres
Publié: (2025)
Free Energy Mixer
par: Lu, Jiecheng, et autres
Publié: (2026)
par: Lu, Jiecheng, et autres
Publié: (2026)
Transfer Learning of CATE with Kernel Ridge Regression
par: Kim, Seok-Jin, et autres
Publié: (2025)
par: Kim, Seok-Jin, et autres
Publié: (2025)
Kernel Ridge Regression Inference
par: Singh, Rahul, et autres
Publié: (2023)
par: Singh, Rahul, et autres
Publié: (2023)
Masked Mixers for Language Generation and Retrieval
par: Badger, Benjamin L.
Publié: (2024)
par: Badger, Benjamin L.
Publié: (2024)
SynapseRoute: An Auto-Route Switching Framework on Dual-State Large Language Model
par: Zhang, Wencheng, et autres
Publié: (2025)
par: Zhang, Wencheng, et autres
Publié: (2025)
Random Initialization Can't Catch Up: The Advantage of Language Model Transfer for Time Series Forecasting
par: Riachi, Roland, et autres
Publié: (2025)
par: Riachi, Roland, et autres
Publié: (2025)
PERRY: Policy Evaluation with Confidence Intervals using Auxiliary Data
par: Mandyam, Aishwarya, et autres
Publié: (2025)
par: Mandyam, Aishwarya, et autres
Publié: (2025)
Empowering Time Series Analysis with Large Language Models: A Survey
par: Jiang, Yushan, et autres
Publié: (2024)
par: Jiang, Yushan, et autres
Publié: (2024)
Improving Reasoning for Diffusion Language Models via Group Diffusion Policy Optimization
par: Rojas, Kevin, et autres
Publié: (2025)
par: Rojas, Kevin, et autres
Publié: (2025)
Structural Knowledge Informed Continual Multivariate Time Series Forecasting
par: Pan, Zijie, et autres
Publié: (2024)
par: Pan, Zijie, et autres
Publié: (2024)
DAPE V2: Process Attention Score as Feature Map for Length Extrapolation
par: Zheng, Chuanyang, et autres
Publié: (2024)
par: Zheng, Chuanyang, et autres
Publié: (2024)
On the Saturation Effect of Kernel Ridge Regression
par: Li, Yicheng, et autres
Publié: (2024)
par: Li, Yicheng, et autres
Publié: (2024)
Variational Schrödinger Momentum Diffusion
par: Rojas, Kevin, et autres
Publié: (2025)
par: Rojas, Kevin, et autres
Publié: (2025)
Token-Efficient Leverage Learning in Large Language Models
par: Zeng, Yuanhao, et autres
Publié: (2024)
par: Zeng, Yuanhao, et autres
Publié: (2024)
Auto-Regressive Next-Token Predictors are Universal Learners
par: Malach, Eran
Publié: (2023)
par: Malach, Eran
Publié: (2023)
Structured Recurrent Mixers for Massively Parallelized Sequence Generation
par: Badger, Benjamin L.
Publié: (2026)
par: Badger, Benjamin L.
Publié: (2026)
Large Dimensional Kernel Ridge Regression: Extending to Product Kernels
par: Zhou, Yang, et autres
Publié: (2026)
par: Zhou, Yang, et autres
Publié: (2026)
Improving Next Tokens via Second-to-Last Predictions with Generate and Refine
par: Schneider, Johannes
Publié: (2024)
par: Schneider, Johannes
Publié: (2024)
Towards Auto-Regressive Next-Token Prediction: In-Context Learning Emerges from Generalization
par: Gong, Zixuan, et autres
Publié: (2025)
par: Gong, Zixuan, et autres
Publié: (2025)
Lepskii Principle for Distributed Kernel Ridge Regression
par: Lin, Shao-Bo
Publié: (2024)
par: Lin, Shao-Bo
Publié: (2024)
Nectar: Neural Estimation of Cached-Token Attention via Regression
par: Monteiro, João, et autres
Publié: (2026)
par: Monteiro, João, et autres
Publié: (2026)
Taming Extreme Tokens: Covariance-Aware GRPO with Gaussian-Kernel Advantage Reweighting
par: Wang, Cheng, et autres
Publié: (2026)
par: Wang, Cheng, et autres
Publié: (2026)
LLM-Mixer: Multiscale Mixing in LLMs for Time Series Forecasting
par: Kowsher, Md, et autres
Publié: (2024)
par: Kowsher, Md, et autres
Publié: (2024)
Gated KalmaNet: A Fading Memory Layer Through Test-Time Ridge Regression
par: Peng, Liangzu, et autres
Publié: (2025)
par: Peng, Liangzu, et autres
Publié: (2025)
An Agnostic View on the Cost of Overfitting in (Kernel) Ridge Regression
par: Zhou, Lijia, et autres
Publié: (2023)
par: Zhou, Lijia, et autres
Publié: (2023)
Documents similaires
-
GeoNorm: Unify Pre-Norm and Post-Norm with Geodesic Optimization
par: Zheng, Chuanyang, et autres
Publié: (2026) -
Understanding the Mixture-of-Experts with Nadaraya-Watson Kernel
par: Zheng, Chuanyang, et autres
Publié: (2025) -
SAS: Simulated Attention Score
par: Zheng, Chuanyang, et autres
Publié: (2025) -
Technical Report: Full-Stack Fine-Tuning for the Q Programming Language
par: Hogan, Brendan R., et autres
Publié: (2025) -
Speculative Sampling for Parametric Temporal Point Processes
par: Biloš, Marin, et autres
Publié: (2025)