检索标题、摘要与正文，把分散的信息连起来。
arXiv:2502.02727v4 发布类型：替换-交叉 摘要：客户端漂移补偿方法能够缓解联邦学习（FL）中数据异构性带来的影响。尽管针对基于随机梯度下降（SGD）的联邦学习，漂移校正已得到充分研究，但其与自适应客户端优化器之间的相互作用仍缺乏深入理解。诸如Adam等自适应优化器会根据过去梯度的运行平均值来构建每次更新，因此仅对最终更新方向进行校正，将无法改变这些平均值及其所包含的漂移。我们提出了联邦自适应梯度校正（{\tt FA-GC}），该方法在梯度进入这些运行平均值之前即对其进行校正，并将其与联邦自适应朴素跟踪（{\tt FA-NT}）进行了对比——后者是在最终更新方向上添加校正。我们证明，在一种理想情况下
arXiv：2610.34914v1 发布类型：新 提要：高性能通用矩阵乘法（GEMM）的实现依赖于将GEMM分解为经过精心选择的分块，以达到峰值性能。我们提出了一种名为Waypoint的新分析模型，用于针对给定的硬件和输入矩阵形状自动确定最优的分块大小。Waypoint通过捕捉所有架构效应——包括与存储层次结构的交互、指令级并行以及多线程——来估算特定分块选择所能达到的性能。以这些估算值为代理，我们在可能的分块大小空间中进行搜索，从而找到能够最大化性能的分块尺寸。此外，Waypoint还有助于硬件设计人员在实验性硬件优化方案上估算其实际性能。
arXiv：2610.32104v1 发布类型：新 摘要：为刻画Transformer架构的能力与局限性，人们已发展出若干形式化理论，这些理论分别采用不同的抽象方法，以捕捉该架构的不同特性。由于其底层假设与概念框架存在差异，这些理论在预测Transformer对哪些任务感到容易或困难时往往意见不一。我们梳理了七种关于Transformer能力的理论（Star-free、$\mathsf{AC}^0$、$\mathsf{TC}^0$、C-RASP、MPC、BAPO以及敏感性），并将其研究结果转化为一张通用的预测矩阵，覆盖一系列涉及不同计算结构的任务。我们还提供了新的理论成果，以完善这一矩阵。随后，我们对这些理论进行评估
