标签
介绍了一种用于预测回归的高效贝叶斯深度集成方法，该方法结合了低维集成表示、闭式贝叶斯聚合和独立集成训练，以在保持计算效率的同时获得校准的不确定性估计。
提出一种基于AdaBoost的文本提示提升（TPB）框架，通过顺序集成弱文本提示分类器来改进视觉-语言模型的少样本分类性能，并在跨模型迁移中保持增益。
本文研究了不同的推理时部署规则（展开策略）如何影响多期限波动率预测。结果表明，非默认的展开策略通常能提升性能，且基于验证的部署策略相比标准MIMO部署提供了低成本改进，强调了部署策略与模型架构同等重要。
本文揭示了多模型LLM系统的一个基本约束：准确率受制于所有模型在同一查询上同时出错的比率。在67个前沿模型中，常见指标显著低估了全错率，从而限制了投票、路由和集成策略的收益。
AgentCodec 是一个源代码可用的库，它将 28 种 LLM 可靠性技术（如重试、集成、生成器/判别器优化等）统一到单一兼容 OpenAI 的 API 下，并配备自适应路由器，在匹配质量的情况下可降低约 56% 的推理成本。该库采用通信理论框架，支持即插即用替代 OpenAI、Anthropic 和 Ollama 客户端。
本文介绍了CAGE，一种基于反事实图的多智能体LLM系统校准方法，在TriviaQA和MMLU-Pro等基准测试上进行了评估，涵盖了多种通信拓扑结构。该方法优于现有的事后校准和LLM引导校准方法。
本文揭示了LLM水印的一个基本漏洞：当用户能够访问多个模型时，对其输出分布进行平均会抵消水印扰动，从而规避检测。作者提出了WASH方法，并通过实验证明，对3-5个模型进行平均可将检测z分数抑制在阈值以下，同时提升文本质量。
本文对在严重类别不平衡条件下预测财务困境的经典方法、集成方法和神经网络方法进行了比较评估，使用SMOTE进行过采样，SHAP进行可解释性分析。
本文研究了增量决策树集成中的分歧漂移检测方法，发现在神经网络中有效的方法在树集成中表现不如基于损失的检测器，原因是模型塑性有限。
OpenAI提出了一种针对深度强化学习的新型探索策略，使用具有上置信界(UCB)的Q函数集合，在Atari基准上展现了显著的性能提升。
OpenAI 提出了 PATE（Private Aggregation of Teacher Ensembles），这是一种隐私保护方法，通过在多个教师模型的噪声输出上训练学生模型，这些教师模型在互不相交的数据集上进行训练，在不暴露敏感训练数据的情况下提供强大的差分隐私保证。