标签
本文形式化了时间序列预测中的“粒度悖论”，表明更细的时间解聚会改善样本内拟合，但由于递归误差传播而降低样本外精度，并在不同粒度上对多种模型进行基准测试。
本文研究了多个AI智能体之间推理交换如何提高准确性，但也带来了错误传播的风险，提出了一种运行时监控框架以防止此类传播。
引入能量守恒作为模块化神经网络中模块间信息流的硬物理约束，强制在模块边界精确保持激活能量，以减弱错误传播。在CIFAR-10和机器人管道上的实验显示出噪声鲁棒性的显著提升。
本文介绍了CHARM框架，用于检测和缓解多步骤智能体RAG流水线中的级联幻觉问题——早期阶段产生的错误会在推理步骤中不断传播并放大。CHARM在多个基准测试中实现了89.4%的级联检测率和82.1%的错误传播降低率，且延迟开销较低。
一位开发者讨论了3个Agent的SDR系统中的级联故障，其中幻觉在Agent之间传播，并寻求关于通过人类参与循环或框架切换来提高可靠性的建议。