distribution-shifts

MultiGhostBench是一个多语言基准，用于评估分布偏移下长文本LLM生成文本的归因。它包含六种语言的928本书籍，并突出了性能下降以及没有单一方法在所有设置中始终最佳的现象。

本文介绍了AVShift，这是首个针对题材、时间和AI时代分布偏移下的作者验证的德语基准测试。它评估了基于特征、基于嵌入和基于LLM的方法，发现时间偏移显著影响性能，而未检测到可衡量的AI时代偏移。

MetaKoopman提出了一种贝叶斯元学习框架，通过Koopman算子利用线性潜在表示对非线性动力学进行建模，支持闭式更新和不确定性量化。该框架在恶劣冬季条件下的自动驾驶卡车-拖车系统上得到验证，在预测准确性和鲁棒性方面优于先前方法。

本文研究了在受控分布漂移下的时序知识图谱预测，使用了一个编码重复性、同质性和周期性的合成生成器。在七种架构上的实验揭示了信号依赖的鲁棒性以及模型对结构断裂适应性方面的局限性。

SAE-FT提出了一种新颖的CLIP模型微调方法，利用稀疏自编码器约束来正则化视觉表示，在保持性能的同时提高对分布变化的鲁棒性，并实现可解释性。