CIFAR-10
一个常用的图像分类基准数据集，包含10个类别的32x32彩色图像，每类6000张，共60000张，广泛用于机器学习模型评估
时间轴 (近 90 天)
MNIST和CIFAR-10数据集在教程中已经非常普遍，缺乏区分度。
论文提出漂移校准方案：每个tile用少量探针读取拟合一个16参数场来恢复编程精度；在CIFAR-10上从1小时到1年，数字校正比最好的廉价数字基线高2.1到13.3个百分点，阵列内校正保持0.6到3.7个点的增益。
作者通过在不同架构（如全连接网络、卷积网络、残差网络）和数据集（如MNIST、CIFAR-10、ImageNet子集）上的实证研究发现训练过程会持续扩展射线覆盖范围，尤其是在雅可比奇异值较小的方向上。
在千种子CIFAR-10模型库和MultiBERTs上的案例研究用真实种子分布验证了公式，在该范围内误差在0.05以内。
MYOPIA 基准包含四棵由 LLM 生成、经人工打磨的决策树，分别对应 GTSRB、MNIST、CIFAR-10 和 MSCOCO 数据集。
论文在 CIFAR-10 和 ImageNet 上测试 GCD，覆盖 ResNet-18、ResNet-50、ViT-B/16 三种架构，并对四种主流攻击方法进行了评估。
论文在四类任务上评估了 RASS：高斯混合目标分布、FFHQ 无条件像素空间生成、CIFAR-10 条件生成、基于 Stable Diffusion 3.5 的潜空间扩散
RASS 在 CIFAR-10 上、匹配计算预算的条件下提速约达 20%
论文在全连接网络和视觉Transformer两类架构上，使用MNIST与CIFAR-10数据集验证了该方法
该研究基于CIFAR-10这一相对简单的数据集，对于更复杂、分辨率更高的任务最优秩可能会上移
还有 2 条时间轴事件
全部知识事实 (12)
MNIST和CIFAR-10数据集在教程中已经非常普遍，缺乏区分度。
50%待验证论文提出漂移校准方案：每个tile用少量探针读取拟合一个16参数场来恢复编程精度；在CIFAR-10上从1小时到1年，数字校正比最好的廉价数字基线高2.1到13.3个百分点，阵列内校正保持0.6到3.7个点的增益。
50%待验证作者通过在不同架构（如全连接网络、卷积网络、残差网络）和数据集（如MNIST、CIFAR-10、ImageNet子集）上的实证研究发现训练过程会持续扩展射线覆盖范围，尤其是在雅可比奇异值较小的方向上。
50%待验证在千种子CIFAR-10模型库和MultiBERTs上的案例研究用真实种子分布验证了公式，在该范围内误差在0.05以内。
50%待验证MYOPIA 基准包含四棵由 LLM 生成、经人工打磨的决策树，分别对应 GTSRB、MNIST、CIFAR-10 和 MSCOCO 数据集。
50%待验证论文在 CIFAR-10 和 ImageNet 上测试 GCD，覆盖 ResNet-18、ResNet-50、ViT-B/16 三种架构，并对四种主流攻击方法进行了评估。
50%待验证论文在四类任务上评估了 RASS：高斯混合目标分布、FFHQ 无条件像素空间生成、CIFAR-10 条件生成、基于 Stable Diffusion 3.5 的潜空间扩散
50%待验证RASS 在 CIFAR-10 上、匹配计算预算的条件下提速约达 20%
50%待验证论文在全连接网络和视觉Transformer两类架构上，使用MNIST与CIFAR-10数据集验证了该方法
50%待验证该研究基于CIFAR-10这一相对简单的数据集，对于更复杂、分辨率更高的任务最优秩可能会上移
50%待验证该研究在CIFAR-10数据集上采用DDPM架构的U-Net作为主干网络，测试了{2, 4, 8, 16, 32}五个不同的秩取值
50%待验证CIFAR-10是由Alex Krizhevsky和Geoffrey Hinton于2009年发布的图像分类基准数据集，包含10个类别共60,000张32×32像素彩色图像，其中50,000张用于训练，10,000张用于测试
50%