KAIST 提出 PROLA 低秩适配方法,用于预测性时空天气降尺度
MLVLab · hf · 2026-11-19
KAIST 团队发布论文,提出 PROLA(Principal-Orthogonal Low-rank Adaptation),面向预测性时空天气降尺度(PSWD)任务。
- 任务定义:PSWD 要求从近期粗分辨率状态同时细化时空分辨率,预测未来高分辨率场,现有大型预训练天气骨干网做这件事既难又贵。
- 框架设计:将预测分解为空间与时间两阶段,共享预训练骨干、固定数值脚手架与轻量残差头。
- 核心创新:PROLA 在预训练权重的主方向与其正交补之间分配固定低秩预算,并用梯度信号重缩放 rank-1 优化器更新,不增加可训练秩的前提下提升适配效果。
- 结果:在 PSWD 设置下超越代表性低秩适配基线,且在多数据集多任务上验证了通用性。
「Infra」频道最新
- MIT QDA:用 LLM Agent 自动设计量化方案,64 GPU 小时超最强公开配方 — mit-han-lab · 2026-11-19
- WSJ:华尔街承诺为英伟达动员 5000 亿美元,至今一分未出 — GaryMarcus · 2026-11-19
- 绕过 PyTorch 直写 HIP 核:MiniMax H3 在 AMD R9700 上提速近 3 倍 — Apprehensive_Sky892 · 2026-11-19
- DeepSeek 早期核心成员开源本地个人 Agent Linger,称推理提速 5 倍 — Aiden_Tech_Ai · 2026-11-19
- 中国首个面向海外市场的华为昇腾算力集群启用 — pstAsiatech · 2026-11-19
- 腾讯称美国芯片管制「不幸」,短期内或拖慢 AI 训练 — pstAsiatech · 2026-11-19