标签
本文提出了CJSD，一种使用两个判别器来精确区分数据集中的协变量偏移与机制变化的方法，具有理论保证和实证结果。
本文引入了一种跨模型映射，用于认证必须在协变量偏移下同时满足自动化下限和风险上限的选择性预测器，推导了可行性边界和双资源样本复杂度权衡。
CalTwin 提出了一种基于 Fisher-Information 的正则化方法，旨在提高医学世界模型对协变量偏移和置信度不对齐的鲁棒性，在 PhysioNet 2019 脓毒症挑战数据集上取得了适度的改进。
ReGuide 提出了一种面向扩散策略的自改进框架，利用测试时引导生成纠正性轨迹，然后在该数据上微调策略，在 Robomimic 任务上实现了 1.3–7.7 倍的成功率提升。
本文介绍了Expectation Consistency Loss (ECL)，这是一种基于理论的损失函数，用于在协变量偏移下校准分类器置信度，该函数源自一个称为Expectation Consistency Condition的必要充分条件。
TILT提出了一种新颖的目标函数，用于在协变量偏移下进行无监督域适应，该函数对未标记目标数据上的辅助组件施加惩罚，隐式实现了具有有界估计量的自定位重要性加权。理论保证和在偏移CIFAR-100上的实验表明，目标域性能优于基线方法。
本文重新审视了数据集聚合（DAgger）方法在训练长周期大语言模型智能体中的应用，证明了在回合级别上对教师与学生的策略进行插值能够有效缓解协变量偏移，并在SWE-bench Verified等软件工程基准测试中优于现有方法。