从往来看交易：Somya Rai 与 MD Sharique，EXL

探索用于 Meta 广告深度漏斗优化的层级化兴趣表示

Exploring Hierarchical Interest Representation For Meta Ads Deep Funnel Optimization

Meta 工程博客介绍其在广告领域研究的“层级化兴趣表示”，即位于广告实体（用户、广告主、产品、服务）之上的上游表示层，学习连接用户推断兴趣与广告主供给的统一嵌入。其技术包括自研的基于 transformer 的图学习、偏置感知注意力和自监督跨视图蒸馏，并结合经 LLM 处理的多模态广告主与产品内容；输出通用嵌入和 Bag-of-Meaning 兴趣 token，基于 Meta 真实广告数据在数十亿级交互规模上端到端训练。

Stanford CS229 Machine Learning | Spring 2026

一个 YouTube 播放列表，收录斯坦福研究生课程 CS229 机器学习 2026 春季学期的课堂录像，共 17 讲。材料列出的前 8 讲标题涵盖课程介绍、监督学习设置、加权最小二乘、指数族与 GLM 分类、高斯判别分析、数据集划分与机器学习建议、神经网络架构等。课程内容为机器学习与统计模式识别的广泛导论，涉及监督学习、无监督学习、学习理论与强化学习，以及机器人控制、数据挖掘、语音识别等应用。

一家银行训练了自己的基础模型来识别欺诈——Freddy Lecue，富国银行

A Bank Trained Its Own Foundation Model to Catch Fraud — Freddy Lecue, Wells Fargo

富国银行的 Freddy Lecue 介绍该行如何用数十亿客户交易数据（而非文本）从零预训练自有 transformer 模型，通过预测下一笔交易学习表示，再针对欺诈检测、信用额度、反洗钱和营销等任务微调。内容涵盖把金额、时间、商户、邮编等表格数据转化为 token 的难点，以及模型规模、训练设置和欺诈检测结果。

现代大语言模型中注意力变体的可视化指南

A Visual Guide to Attention Variants in Modern LLMs

文章以图解方式梳理现代 LLM 中的注意力变体，涵盖 MHA、GQA、MLA、稀疏注意力和混合架构等。作者说明原计划写 DeepSeek V4，因该模型尚未发布而转向整理过去几年介绍过的 LLM 架构，形成含 45 个条目的 LLM 架构画廊并配有视觉模型卡，另提供海报版本。适合想系统了解各类注意力结构的读者。

Stanford MS&E233：博弈论、数据科学与人工智能（2026 春）

斯坦福大学管理科学与工程系 MS&E 233 课程大纲页面，主题是博弈论、数据科学与人工智能交叉领域的基础与应用。课程分三部分：求解复杂博弈的计算方法及其在围棋、扑克等游戏智能体上的应用；数据科学与机制设计的结合，如从数据优化拍卖与机制、在线拍卖市场、学习博弈中的结构参数与博弈计量经济学；以及在存在策略性行为时部署机器学习与数据科学流程，包括市场中的 A/B 测试与 Uber、亚马逊等平台上的应用。适合关注博弈论与 AI/数据科学交叉方向的人了解课程内容。