标签
该论文提出CARE,一种针对视觉-语言-动作(VLA)模型推理加速的认证选择框架,通过配对回放和序贯测试,在95%置信度下保证加速所引入的失败风险低于用户设定的预算,同时在LIBERO基准上实现了9.0–10.8倍的加速。
本文将在流式推理系统中何时调用大语言模型的问题形式化为基于风险的序贯停止问题。文中证明了理论保证,并在涡扇退化数据上对框架进行了实证验证。
本文介绍了一个面向任意时有效认证鲁棒性的元学习框架,该框架使用序列E过程自适应分配计算资源,与传统的随机平滑方法相比,样本复杂度降低了20倍,同时保持了严格的统计保证。