标签
本文提出了一种无标注表示学习方法，用于跨数据集手语词汇检测，利用土耳其手语广播中的弱对齐字幕。研究表明，LLM辅助的伪标注规范化能改善时间定位和下游翻译质量。
本文提出CONFER，一种基于图的冲突感知证据协商框架，用于弱监督多模态情绪识别，解决自我报告不可靠和跨模态冲突问题。在AMIGOS、MAHNOB-HCI和DEAP基准上取得了具有竞争力的准确率。
本文提出了一种基于偏好的学习框架，用于抗体表达排序，将稀缺的定量数据与来自免疫序列的大规模弱正监督相结合。该方法通过引入联合掩码对数似然近似和基于IMGT的比对，将直接偏好优化（DPO）适配到蛋白质语言模型，从而在多样化的内部数据集上实现了改进的排序性能。
本文提出了一种结合弱监督与传播图分析的图基框架，用于检测和分析Telegram生态系统中的虚假信息叙事，重点关注俄罗斯和乌克兰的频道。
本文提出了两个用于检测LDAP侦察攻击的机器学习框架：一个使用弱监督预测恶意查询的ML分类器，以及一个用于挖掘新型恶意签名的统计假设检验方法，实现了实用的检测性能。
本文研究了斯里兰卡旅游评论中星级评分与文本情感不一致的行为驱动因素，发现18.6%的评论存在错配，并呈现六种方向模式，同时指出场所类型、评论者专业水平和时间因素是其影响因素。
本文介绍了偏好差值聚合（PDA）和几何对齐合并（GAM），通过LoRA合并将来自弱模型对的多个“弱”偏好信号进行聚合，在知识推理和智能体搜索任务上平均将强LLM的性能提升超过6%。
本文介绍了 LogMILP，这是一种用于日志实例异常定位的弱监督框架，它利用原型引导的结构建模和反事实扰动一致性正则化，仅使用包级标签即可提高检测精度和可解释性。
本文提出了一种两阶段的神经符号框架，利用弱监督（仅需 1% 的标签）结合基于 Slot 的变分自编码器（VAE），学习用于以对象为中心的视觉推理的可解释符号，在领域泛化方面优于基础模型。
# 论文页面 - 大语言模型何时能在弱监督下学会推理？ 来源：[https://huggingface.co/papers/2604.18574](https://huggingface.co/papers/2604.18574) ## 摘要 研究表明，在弱监督下的推理任务中，模型泛化能力取决于奖励饱和动态和推理忠实度，而对显式轨迹进行监督微调对于成功适应至关重要。大语言模型通过[reinfor
OpenAI的Superalignment团队介绍了弱到强的泛化，这是一个新的研究方向，用于通过解决能力较弱的人类监督者如何可靠地控制和引导智能远超自身的AI系统这一根本性问题，来实证对齐超人类AI模型。
本文介绍了“Vokenization”，这是一种多模态学习技术，通过利用弱监督将视觉数据与语言标记联系起来，从而架起计算机视觉与自然语言处理之间的桥梁。文章将其与 GPT-3 和 BERT 等纯文本模型进行了对比，强调了视觉定位如何提升语言理解能力。