大型語言模型 (LLM) 在營建安全管理方面展現出巨大潛力,但需要系統性的評估和負責任的整合,以確保準確性、可靠性和安全性。
本文提出了一種新的條件變量流匹配(CVFM)框架,用於在給定非配對樣本的情況下學習源條件分佈和目標條件分佈之間的轉換。
TowerDebias 是一種後處理去偏差方法,利用機率論中的「高塔性質」來減輕機器學習模型預測中的敏感屬性(如種族、性別)影響,以改善預測公平性,同時兼顧效用與公平性之間的權衡。
GPTree 結合了決策樹的可解釋性和大型語言模型的推理能力,創建了一個強大且透明的決策制定框架,並在風險投資等領域展現出超越人類專家的潛力。
本文提出了一種名為檢索增強預測(RAF)的框架,透過檢索和利用歷史時間序列數據中的相似模式來提高時間序列預測的準確性,特別是在零樣本預測和針對特定數據集進行微調的情況下。
本文提出了一種基於非揮發性記憶體計算 (NVCiM) 的邊緣大型語言模型 (LLM) 提示微調框架 (NVCiM-PT),通過利用 NVCiM 的優勢,有效地儲存和檢索針對特定資料域的最佳虛擬標記 (OVT),從而提高邊緣 LLM 的效能,並解決了傳統提示微調方法在資源受限環境下的局限性。
雖然「有用且無害」資料集旨在提高大型語言模型的安全性,但其設計和執行上的缺陷可能導致新的危害,特別是加劇對特定族群的偏見,凸顯出在模型訓練中納入更細緻入微、情境感知的安全措施的必要性。
本文提出了一種基於自回歸專家混合模型的模仿學習方法,該方法可以僅從狀態軌跡中學習控制策略,並通過引入李雅普諾夫穩定性約束來確保模型的穩定性,適用於多步預測任務。
針對缺乏顯性特徵關係模式的科學數據,本文提出了一種通用的特徵提取模組 EAPCR,其透過暴露所有可能的特徵關係模式並加速組合採樣,有效識別具有強交互作用的特徵組合,提升深度學習模型在科學應用中的性能。
本文提出了一個結合對抗性元學習和多代理框架的深度偽造檢測方法,旨在解決現有檢測器在泛化能力、對抗性穩健性和適應數據漂移方面的挑戰。