标签
本文介绍了TAM-Chain，一种采用吸收马尔可夫链和香农熵进行不确定性量化的多尺度甲状腺细胞学分类方法，旨在抑制假阴性并适应域偏移。
本文提出了TSS，一个针对特定领域大型语言模型推测解码的目标端稀疏化框架，通过跳过选定的目标层来提升推理效率和性能。
本文评估了检索主导的抽取式问答中的内在序列似然置信度，发现置信度信号不足以用于模型控制，且仅检索在预设标准下就能达到高准确率。
本文介绍了传输共形校准（TCC），一种利用配对观测将共形预测校准从有标签源域迁移到无标签目标域的方法，通过无标签诊断确保覆盖率保证。
本文介绍了一种数据中心化的流水线，用于通过挖掘推理轨迹、蒸馏指令数据和生成可验证的问答对来对语言模型进行后训练，以增强金融推理能力，展示了在防止灾难性遗忘的同时性能得到提升。
本文提出了一种基于变分自编码器的零样本学习框架，用于多元IoT流量异常检测，通过对抗学习和对比学习实现无需标记数据的域适应，并在多个数据集上展示了优异性能。
DRET 是一种参数高效的知识迁移方法，通过嵌入迁移将生物医学领域知识注入像 DistilBERT 这样的小型模型中，使其性能与更大的专业模型相媲美。
本文介绍了SpeakPay和一个尼泊尔语金融语音数据集，表明对Whisper进行LoRA微调可以将词错误率降低67.2%，并提高低资源语言的交易成功率。
本文提出了一种名为ReNC的开放世界测试时适应方法，该方法利用神经坍缩作为结构先验来过滤分布外样本并优化原型，以实现可靠的模型适应。
本文探讨了物理学中领域适应的挑战，其中模拟与实验数据在干扰项和标签偏移上存在差异。它提出了自适应领域适应方法，以专注于真实的物理不匹配，并提供了一个模型选择规则。
本文对预训练分子语言模型在虚拟筛选中的应用进行了基准测试，并证明显式领域适应能提升其在药物发现、材料和催化库中的性能和样本效率。
本文提出了一种经验证的适应协议，用于无标签无人机人群计数，以确保在诸如2034年沙特阿拉伯FIFA世界杯等大规模活动中的安全性，解决了领域偏移和部署挑战。
仅前向传播的MLP训练（FPO）在无需反向传播的情况下适应大型语言模型，实现2.7–3.2倍的吞吐量提升，同时峰值内存减少40%，并保持基准性能。
本文介绍了RAEF，这是一种模型无关的检索增强时间序列预测方法，与微调方法相比，提高了准确性并减少了计算开销。
StreamHear是一个半监督流水线，它通过在有标签数据上微调教师模型、为无标签数据生成伪标签、并在混合数据上微调学生模型，来适应域偏移音频的流式语音识别，并引入一个重新对齐步骤以改善词定位。
本文提出了TELLME，一种用于大语言模型持续预训练的测试增强学习方法，它提升了领域特定知识的获取和长期记忆保持，在金融领域优于现有方法。
This paper proposes OSPDIM, a source-free online unsupervised domain adaptation framework for EEG-based BCIs that corrects geometric misalignment caused by class-imbalanced label shifts on the Riemannian manifold, outperforming standard alignment methods in online scenarios.
一项系统的跨架构实证研究，衡量小语言模型领域适配的可信度成本，发现安全保持的微调策略并不能可靠地迁移对齐性。