标签
本文评估了在标签稀缺和缺失数据条件下表格模型的自监督预训练，发现效果混合但在测试时缺失情况下有可靠改进。
本文研究低预算环境下的联邦主动学习，揭示了由于异质性反转，同质数据需要更强的协调。它提出了一种利用联邦表示学习的框架，以实现全局协调的主动选择，性能优于现有方法。
Gnosys Labs 推出了一种自主模型工程方法，在标签稀缺的情况下改进分类器，在 ToxicChat 基准测试中优于 GEPA 等标准优化器。