generalization

本文提出了一种基于Decision Transformer的方法，用于优化无人机搭载RIS辅助的动态D2D通信，展示了跨场景泛化能力和高效的零样本迁移学习。

本文提出潜在接口训练（LIT），一种两阶段策略，通过姿态监督的潜在接口缓解视觉-行动捷径，以增强机器人基础模型的泛化能力。

本文介绍了拓扑作为神经算子在PDE求解中的一个独立泛化维度，利用霍奇热流和TopoBox-3D框架来展示其在霍奇谱上超越几何兼容性的影响。

本文提出通过优化监督微调中的数据混合，使推理模型能够在60种语言中实现语言内推理的泛化，模型在多个基准测试中L2推理率超过93%。

本文批判了那种认为在人工智能突破后机器人学仅仅是一个集成问题的简化观点，强调了训练数据稀缺和视觉语言动作模型泛化能力的挑战。它将这些限制与通过传统自动化实现的专门工业机器人的可靠性进行了对比。

本文提出UCF-Net，一种级联融合网络，结合CLIP和DINO以改善Deepfake图像检测，具有更好的跨域泛化能力。

将视频预训练扩展到12万小时，可将世界行动模型在真实机器人上的零样本成功率从36.1%提升至77.8%，实现更快的动作预测。

本研究探讨了视觉语言模型在语法数一致性方面的跨模态泛化能力，证明了这些模型能够利用视觉线索超越表面共现进行抽象。

本文提出了一种名为自专精教师蒸馏（SSTD）的两阶段方法，旨在提高语言模型在特定领域的性能，同时保持其通用能力，且无需使用回放数据或外部教师。

逐步详解如何通过人类反馈强化学习（RLHF）纠正AI模型中的偏见，使用一个简单示例，其中对医生的单一人类偏好泛化到其他职业如CEO。

本文介绍了PATH，一个用于强化学习中主动课程优化的框架，该框架利用课程图结构来提高在不同环境中的鲁棒性和泛化能力。

AutoSaddler 是一种从执行跟踪中自动修补代理框架的方法，通过在保留集上测试确保更新泛化，以防止回归。

本文提出了一种使用拉德马赫复杂度与L1-范数的解析框架，用于估计神经网络训练中的最优早停时间，避免概率假设，且适用于线性和非线性模型。

MA-VLA 是一个用于多臂机器人协作的统一框架，它将协作行为分解为原子提示，并在训练时进行排列（Arm Shuffle）以实现对未见协调模式的泛化。

本文研究《Game of Hidden Rules》中的人工智能学习和概念迁移，重点关注基于Transformer的A2C框架的强化学习、规则难度分析、迁移学习和泛化。

这条推文赞扬了LFM2.5-2.6B模型在设备端评测中的强劲表现，突出了其在超越代理任务方面的泛化能力，该评测是与Artificial Analysis合作在移动设备上进行的测试。

该论文提出动态上下文调度方法，旨在增强上下文强化学习的泛化能力，实验表明在模拟环境中在分布外和分布内区域均实现性能提升。

A robot played ping pong with 2016 Olympic champion Ding Ning, demonstrating its ability to generalize across different paddle orientations and positions.

本文提出OTTA-DGAD，一种用于动态图异常检测的在线测试时自适应方法，它使用动态原型和记忆缓冲区来处理未见过的目标域，无需重新训练。

本文为数据驱动算法设计中的多维超参数调优建立了紧确的泛化界，利用实代数几何和多区间下界框架解决理论缺口。