Bayes risk weighted vector quantization with posterior estimation for image compression and classification
PulseAugur coverage of Bayes risk weighted vector quantization with posterior estimation for image compression and classification — every cluster mentioning Bayes risk weighted vector quantization with posterior estimation for image compression and classification across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架将大语言模型预测风险分解为规范不确定性、随机不确定性和认知不确定性
研究人员提出了一种新颖的三项分解方法，用于分析大语言模型（LLMs）的预测风险，区分了规范不确定性、残余随机不确定性和认知不确定性。该框架解决了用户无需重新训练模型即可澄清不明确输入的情景，从而提高了预测准确性。所提出的分解有助于识别何时请求澄清是有益的，其中规范不确定性对于检测模糊输入至关重要，而残余随机不确定性则用于识别分布内错误。
-
新研究表征了稀疏随机块模型中的信息-计算差距
研究人员表征了稀疏随机块模型中的信息-计算差距，重点关注具有多个社区的社区恢复。他们发现，在Kesten-Stigum阈值（$d\[lambda\]^2=1$）下，minimax风险等于Bayes风险，并且对于五个或更多社区，在此阈值以下存在一个窗口，低度规则表现不佳，而指数时间规则则成功。该研究还分析了来自循环计数的Fisher信息，显示仅在阈值以下收敛，并检查了信念传播在其无信息固定点处的行为，确定了与个性化PageRank相关的…
-
新理论解决AI代理表示充分性风险
一篇新的研究论文介绍了一个用于AI代理表示充分性自我认证的四层理论。该理论解决了代理基于可能别名不同最优动作的压缩历史进行操作的风险，从而导致不可避免的损失。论文概述了静态和序贯认证层，通过贝叶斯风险定义充分性，并将认证视为基于任务损失的最优停止问题。它还提出了一个认证跟踪停止策略，并指出了表示修订领域未来的研究方向。