标签
本文提出了Scout,一个用于动态网络预算任务感知获取的框架,该框架学习根据下游任务价值优先更新图信息,在多个基准测试中表现出优于现有方法的性能。
本文提出HybridAL,一种主动学习方法,通过稳定信号动态切换重训练与微调,从而提升文本分类任务的效率与性能。
DE-Venus 是一个统一的框架,用于大型语言模型中的数据高效RLVR,在保持性能的同时降低标注和训练成本。
提出了一种物理信息图注意力网络作为TCAD模拟的代理模型,通过预测网格节点值并融入载流子输运物理,实现更快的设计空间探索。
AdaptNTK 引入了一个使用神经切线核的自适应不确定性量化框架,以实现神经网络势中的高效主动学习,在降低计算成本的同时保持分子动力学模拟的准确性。
本文介绍了PATH,一个用于强化学习中主动课程优化的框架,该框架利用课程图结构来提高在不同环境中的鲁棒性和泛化能力。
这项控制研究探讨了开源权重LLM是否能够作为有限池材料优化的采集策略,并在多个任务中将其性能与随机选择和传统高斯过程方法进行比较。
本文研究低预算环境下的联邦主动学习,揭示了由于异质性反转,同质数据需要更强的协调。它提出了一种利用联邦表示学习的框架,以实现全局协调的主动选择,性能优于现有方法。
论文介绍了XIGL,一种利用解释和主动学习的人机协作策略,用于检测和移除图神经网络中的捷径,以提升其在分布外任务上的可靠性。
本研究在有限标签噪声条件下测试主动学习中的不确定性采样,通过比较不同数据集上的误差暴露和误差定位效应,以评估其鲁棒性和性能。
本文测试了金融新闻在发布前已被定价的格言,利用大语言模型蒸馏来分类新闻事件并分析市场反应。研究发现,价格变动集中在发布前和发布时,基本面新闻与故事驱动型新闻呈现不同模式。
介绍了对抗性因果干预证伪(ACIF),这是一个顺序博弈,其中结构因果生成器提出观测分布和干预分布,而对抗性实验者选择干预以最大程度地证伪该生成器。论文提供了理论保证,包括有限样本收敛和模型选择,架起了因果生成建模、主动发现和实验设计之间的桥梁。
本文提出了一个用于冷启动主动学习的统一最优传输框架,引入了一种基于Sinkhorn的算法(ε-AS),该算法根据数据自适应调整正则化强度,并在六个数据集上取得了最先进的结果,包括相比先前方法将ImageNet-1k准确率提升1.29%,同时将选择时间减少56.2%。
本文研究了基于噪声成对比较的固定置信度top-k识别问题,并开发了一种渐近最优算法,该算法最小化期望比较次数。
介绍了ZendoWorld,这是一个受控的交互环境,用于评估AI智能体在主动视觉概念归纳方面的能力,智能体需要感知场景、推断隐藏的逻辑规则并设计信息丰富的实验。使用不同类别智能体的实验表明,高预测精度并不能保证规则恢复,基于VLM的智能体在信息性实验方面表现不佳,突出了与人类归纳推理之间的差距。
提出一种新框架,结合主动学习、掩码重构与极小极大策略,以改进无监督时间序列异常检测。在28个测试案例中,相较于基线模型,AUC提升12.39%。
本文介绍了个性化主动偏好对齐(PAPA),一种无需参数化奖励模型、利用实时用户反馈微调扩散模型的方法,提高了推荐和图像生成等个性化任务的效率。
本文提出了用于高斯过程回归中量子核估计的主动样本分配策略,推导出配对级敏感性以指导非均匀样本预算,并在基准测试上展示了相比均匀分配在测试RMSE上的显著改进。
本文介绍了基于元认知反馈的强化学习(RLMF)和元认知数据选择,以改进大语言模型的校准,实现内部不确定性的忠实表达,并比标准强化学习提升高达63%。