disentanglement

该论文提出开放世界AI需要三项核心要求：推理时学习、丰富表示和预测性解纠缠，并在最大880亿参数的语言模型上验证了满足这些要求的模型能从相关任务数据中持续提升，而其他模型则会退化。

该论文提出将 TopK 稀疏自编码器与路由特定监督和跨因子对抗训练结合，在冻结的 SPEAR 和 WavLM 语音编码器上分离语言学与副语言学信息，展示跨编码器、语料库和干预实验一致的路由选择性分离效果。

本文提出SAIL方法，通过解纠缠和表示人类技能为可解释的多维嵌入，以增强行为预测和AI教练，重点在于鲁棒性和泛化性。

本文提出MIDAS，一种用于不完整多模态情感分析的统一框架，利用互信息解缠和不确定性感知融合，在缺失数据条件下鲁棒地表示和整合模态。

本文提出了一种将不确定性统一定义为逐点后验风险的方法，并引入了一个有理论支持的基准，利用半合成数据集直接计算神谕认知不确定性和偶然不确定性，从而超越代理任务实现细粒度评估。

该论文提出了NULLs（原生可遗忘的大语言模型），这是一种模型类别，它将特定来源的贡献隔离到稀疏激活的sinks中，同时共享骨干神经元，从而无需重新训练即可干净地遗忘单个数据源，并保持通用语言能力。