标签
论文指出，权重量化中降低重建损失并不总能提升模型性能，甚至可能因输入激活分布偏移而劣化。为此提出分布鲁棒量化（DRQ）后处理优化框架，通过在受限激活分布集合上最小化最坏情况下的重建损失，改进了 AWQ、GPTQ、ParoQuant 等六种 PTQ 方法的下游表现，且不增加推理开销。
本文提出了MS-WDRO，一个多源Wasserstein分布鲁棒图学习框架，通过Wasserstein重心融合异构源数据，并最小化最坏情况风险以实现鲁棒的图拓扑推断，在图恢复和诊断效用方面优于基线方法。
本文提出了一种统一的模仿学习框架，利用泰勒级数模仿学习和分布鲁棒自适应控制，以应对策略驱动和不确定性驱动的分布偏移，并通过无人机（UAV）案例研究展示了在不确定性下的安全性。
本文提出一种用于LLM对齐的分布鲁棒列表级偏好优化方法，处理排序标签不确定性，具有可处理的目标函数和强收敛性保证。
本文提出了一种使用block Lewis weights进行组分布鲁棒最小二乘回归的算法，与内点法相比实现了改进的复杂度。它还提供了在平均损失和鲁棒损失之间进行插值的算法。