differentiable

本文介绍了REVEAL++，一种用于视觉-语言对比学习的可微分表型分组方法，应用于视网膜眼底图像和临床风险叙述，以预测阿尔茨海默病风险，其性能优于离散分组基线方法。

DOT-MoE将密集层分解形式化为可微最优传输问题，能够高效训练稀疏MoE模型，在将活跃参数减少50%的同时保留原始模型90%的性能。

本文介绍了一种可微分的基于信念的对手塑造（D-BOS）方法，这是一种一阶方法，将观察者的信念视为被塑造的状态，并通过信念更新动态进行微分，从而允许在隐藏角色多智能体环境中，最优策略自然地源于环境的奖励结构。