English(EN) Toward Robust In-Context Learning: Leveraging Out-of-distribution Proxies for Target Inaccessible Demonstration Retrieval

新框架 DOPA 提升 LLM 在分布外任务上的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-02 04:00

研究人员开发了一个名为 DOPA 的新框架，以提高大型语言模型 (LLM) 在分布外任务上的性能。该框架通过使用分布外代理来近似目标域，解决了在目标域不可访问时选择信息性演示的挑战。DOPA 还包含一个全局多样性约束，以确保检索到的演示具有多样性，从而增强 LLM 推理的鲁棒性。 AI

影响增强了 LLM 在目标域不可访问任务上的鲁棒性，有望提高在实际应用中的性能。

排序理由该集群包含一篇详细介绍改进 LLM 性能新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Hao Xu, Rite Bo, Fausto Giunchiglia, Yingji Li, Rui Song · 2026-06-02 04:00

Toward Robust In-Context Learning: Leveraging Out-of-distribution Proxies for Target Inaccessible Demonstration Retrieval

arXiv:2606.00014v1 Announce Type: cross Abstract: Although studies have demonstrated that Large Language Models (LLMs) can perform well on Out-of-Distribution (OOD) tasks, their advantage tends to diminish as the distribution shift becomes more severe. Consequently, researchers a…