Anat Kleiman
PulseAugur coverage of Anat Kleiman — every cluster mentioning Anat Kleiman across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的SFA方法在无需重放的情况下缓解了AI模型的遗忘
研究人员推出了一种名为顺序微调平均法（Sequential Fine-tuning with Averaging, SFA）的新方法，可以在不依赖重放缓冲区或辅助目标的情况下缓解AI模型的灾难性遗忘。该方法在微调过程中涉及周期性的参数插值。在Qwen3-14B模型上的评估表明，SFA以及另一种名为Lookahead的无重放方法，在平均最终准确率方面优于经过测试的重放和自适应合并配置，同时还减少了任务训练时间。
-
苹果研究人员提出高效的机器学习遗忘方法，成本降低50%
苹果研究人员开发了一种新的机器学习遗忘方法，可显著降低计算成本。通过识别和利用对模型输出影响可忽略不计的数据点，他们的框架可以在遗忘过程之前减小数据集的大小。这种方法可以节省大量计算资源，在语言和视觉任务的真实世界实证示例中，节省量高达约50%。
-
新的遗忘方法将人工智能模型训练成本降低 50%
研究人员开发了一种新的高效机器学习模型遗忘框架，该框架侧重于识别和删除对模型整体性能影响可忽略不计的数据点。这种方法在最近的一篇 arXiv 论文中有所详述，它分析了数据点在各种任务中对模型输出的影响。通过在遗忘前减小数据集大小，该方法在实际应用中可以实现高达 50% 的显著计算节省。
-
苹果研究人员提出一种节省成本的AI模型遗忘方法
来自苹果公司、哈佛大学和伦敦大学学院的研究人员开发了一种新的机器学习遗忘方法，可显著降低计算成本。他们的方法识别并利用对模型输出影响可忽略不计的数据点，从而在遗忘过程中使用更小的数据集。该方法在实际应用中可实现高达约50%的计算节省，解决了日益增长的AI数据隐私问题。