标签
论文提出 Halve-Then-Greedy(HTG)算法,用于固定预算下的自适应实验设计,以最大化推荐设计均值超过目标的后验概率,并证明了近最优的实例相关样本复杂度界。
本文提出了一种用于金属增材制造中PINN的领域自适应采样框架,利用条件Flow Matching模型对高残差配点区域进行定向采样,在相同配点预算下,相对L2误差相较最先进基线平均降低62.1%。
本文提出了 ACES(自适应覆盖感知高效采样)框架,这是一种用于隐式神经表示的结构化采样方法。该框架通过自适应空间划分将区域覆盖与重要性加权解耦,从而在科学场学习任务上实现更快的收敛速度和更低的误差。
本文将多路径 LLM 推理形式化为无线通信中的分集合并问题,分析了路径正确性相关性对多数投票有效样本量的上限,并在 5 个模型和 12 个基准上验证了提示模板分集可降低路径相关性;同时提出了基于四路径试点的 Adaptive-K 规则来选择最优采样数。
本文介绍了LEDFlow,一种用于均匀离散流的熵引导采样器,它通过基于局部熵自适应地排序预测来提高生成准确性,在推理、图像生成和多模态任务上取得提升。
本文识别了大语言模型强化学习中的马太效应,即简单问题比困难问题提升更多,并引入了Never Give Up (NGU),一种自适应采样方法,用于分配更多计算资源给困难问题,在数学和编码基准测试中展示了性能提升。
本文提出了一种结合水平集估计的成本感知贝叶斯优化框架,用于引导无人机进行快速灾后损伤评估,在最小化运营成本的同时降低不确定性。
介绍CuBAS,一种用于监督分类中自适应数据选择的信息几何框架,利用数据流形的局部曲率识别信息丰富的样本,在30个基准数据集上实现了更高的准确率。
本文将大型语言模型的自适应采样建模为马尔可夫决策过程,并训练一个轻量级强化学习控制器来平衡正确性、延迟和计算成本,从而实现了更好的权衡。
NOVA框架将'生成、验证、积累、重新训练'循环建模为知识空间上的自适应采样过程,识别出失败模式,并证明了在类Zipf发现分布下累计生成成本的缩放定律。