NeurIPS 2026 論文結合 DEER 與 GTF 加速 RNN 訓練，在混沌動態系統序列提速逾百倍

據 Reddit 討論指出，一篇入選 NeurIPS 2026 Spotlight 的論文提出針對動態系統重建（DSR）的非線性 RNN 平行訓練新方法，在混沌系統的時間序列上將訓練速度提升超過 100 倍。該研究結合了 DEER 與廣義教師強制（GTF）兩種機制。DEER 透過牛頓型定點迭代解決 RNN 的前向傳播，藉由 GPU 平行化將時間複雜度從 O[T] 降至 O[(log T)²]；但在混沌動態下，DEER 會失效並退化至 O[T log T]。研究團隊利用 GTF 來穩定 DEER，防止因混沌動態導致的發散，並減少傳統教師強制在訓練狀態空間模型時產生的暴露偏差（exposure bias）。此結合使模型能穩定且有效率地在長度超過一百萬（T > 10⁶）的極長序列上進行平行訓練，在 DSR 任務上的表現大幅超越 Mamba 等狀態空間模型。