研究人员开发了一个新颖的双循环推理框架，称为REASON，其灵感来源于系统1/系统2认知范式，以增强结构化优化网络。该框架旨在通过采用一个快速的、类似系统1的循环进行即时基于证据的解决，以及一个较慢的、类似系统2的循环在需要时主动寻求额外信息，来解决残余错误。实验表明，这种方法在分布偏移和损坏下提高了鲁棒性，同时计算量约为完整系统2循环的一半。 AI
影响 引入了一个新颖的推理框架，提高了学习的鲁棒性和计算效率，可能影响未来的AI模型开发。
排序理由 该集群包含两个相同的学术论文摘要，讨论了一个新的研究框架。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
We seek a hierarchical resolution of residual error under a composite learning objective as a principled mechanism for identifying and exploiting additional information, particularly under distribution shift and perturbation. Inspired by the System 1/System 2 paradigm, we formula…
A two-loop inference framework resolves residual errors via fast and evidence-seeking loops to improve robustness under distribution shift with lower computation.