标签
本文提出了在随机和对抗环境中，在欺骗性神谕下进行序列预测的算法，为捕获预测复杂度的成本函数证明了对数遗憾界限。
本文提出使用对抗学习来学习扩散模型的动态无分类器指导调度，通过调整指导尺度以适应不同状态，从而提升文本到图像生成质量。
本文提出了一种语言不变的欺骗检测框架，采用师生对抗学习和变分信息瓶颈来缓解语言偏见，在九个数据集上实现了高达36.2%的相对等错误率降低。
介绍了A3M，一个结合自适应深度强化学习、对抗性推理和多目标奖励设计的框架，用于重复拍卖中的战略投标，实现了30-40%的遗憾降低。
提出了一种基于Wasserstein-GAN的方法，用于传感器引起的分布漂移的无监督校准，并在跟踪探测器玩具模型和带有老化效应的模拟量能器数据上进行了验证。
本文介绍了Z-Image Turbo++，这是一个两步图像生成模型，通过使用分布对齐的对抗学习、步骤解耦参数化以及带有迭代正则化的端到端训练，从八步教师模型中蒸馏而来，旨在缩小与多步生成之间的质量差距。
本文提出了一种分布对齐对抗性蒸馏（DisAAD）方法，该方法使用一个轻量级代理模型，仅以原始模型1%的规模来估计黑盒大语言模型的不确定性，实现了无需内部参数或多次采样的可靠量化。