新的传输神经切线核增强了生成模型的活动学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-28 04:00

研究人员为条件生成模型开发了一个新的活动学习框架，解决了现有方法仅关注标量或向量值输出的局限性。所提出的传输神经切线核（tNTK）能够捕捉预测分布的均值和形状，这与传统的基于均值的活动学习不同。该核对于仿射高斯传输具有封闭形式的表达式，并且具有可处理的蒙特卡洛估计量，从而实现了面向分布的活动学习策略。在各种条件生成模型和数据集（包括意图标记的句子和单细胞扰动响应）上的实验表明，tNTK 的性能优于基线方法。 AI

影响增强了生成模型的活动学习策略，有可能提高科学实验中的数据效率。

排序理由该集群包含一篇研究论文，详细介绍了用于生成模型活动学习的新核方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了用于生成模型活动学习的新核方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jayoung Ryu, Kyunghyun Cho, Romain Lopez · 2026-10-28 04:00

通过传输神经切线核的主动条件生成模型学习

arXiv:2610.35652v1 Announce Type: new Abstract: Many high-throughput scientific experiments produce distributional outputs, requiring conditional generative models to interpret the data, and to predict outcomes at new inputs. Acquiring experimental data at new conditions (e.g., f…

本文如何被排名

报道来源 [1]

通过传输神经切线核的主动条件生成模型学习

相关实体

相关话题