Clear
PulseAugur coverage of Clear — every cluster mentioning Clear across labs, papers, and developer communities, ranked by signal.
- 2026-06-03 funding Clear's CEO, Caryn Seidman Becker, has become a billionaire as the company achieves significant revenue and expands its identity verification services beyond airports. 来源
3 天有情绪数据
-
新的CLEAR方法提高了证据深度学习的鲁棒性
研究人员开发了CLEAR，这是一种旨在增强证据深度学习模型鲁棒性的新型事后方法。该技术通过分析使用校准数据的模型潜在空间来改进不确定性量化。在推理时，CLEAR在潜在空间中生成扰动视图并测量它们的冲突，利用高冲突来降低不受支持输入的证据强度，同时保留一致输入的证据强度。CLEAR在ImageNet到CUB等基准测试中，在分布外准确性和对抗性准确性方面均显示出显著的改进，同时速度也比现有方法快得多。
-
新的CLEAR框架通过跨源证据裁决增强LLM在医学领域的准确性
研究人员开发了CLEAR，一个新颖的代理框架，旨在提高大型语言模型（LLMs）在医学领域的的事实准确性和证据基础。CLEAR通过集成检索增强生成（RAG）等外部检索方法来解决LLMs知识库固定的挑战。该框架从三个不同来源生成候选答案：LLM的参数知识、精选的本地语料库以及动态检索的证据。然后，一个聚合验证器评估这些候选答案、它们的支撑证据和来源，以识别一致性和冲突，并由一个裁决模块决定是保留还是修改结论。
-
新的CLEAR框架增强了组合式零样本学习
研究人员推出了一种新颖的组合式零样本学习（CZSL）框架CLEAR，该框架解决了现有方法的局限性。CLEAR将原始变体重新构建为视觉线索的上下文驱动激活，超越了固定的变体容量。该框架采用一种完形填空式的推理过程来推断高级语义，并重新排序预测以减轻对具体原始变体的偏见。实验表明，CLEAR增强了基础模型，并在C-GQA和MIT-States数据集上超越了最先进的性能。
-
CLEAR框架通过对比学习增强LLM代理的上下文
研究人员推出CLEAR，一个旨在增强大型语言模型代理上下文增强能力的新框架。该方法利用对比学习和代理反思来生成任务特定的知识，而不是依赖于对过去上下文的简单检索。通过在总结的过往经验上训练上下文增强模型（CAM），并利用强化学习进行优化，CLEAR旨在减轻大型语言模型的推理负担。在AppWorld和WebShop基准上的评估表明，与现有的基线代理相比，任务完成率和平均奖励有了显著提高。
-
新框架CLEAR通过关注可回答性来改进对话检索
研究人员开发了CLEAR，一个旨在通过关注可回答性而非仅仅话题相关性来改进对话检索系统的新框架。该框架利用蕴含蒸馏来训练一个重排器，以区分支持答案的段落和仅仅话题相关的段落。CLEAR还包含一个溯因召回模块，该模块使用LLM从段落中推断出潜在的可回答查询，从而扩大候选池。在TopiOCQA、QReCC和TREC CAsT等数据集上的实验表明，CLEAR的性能始终优于现有基线，尤其是在具有显著话题噪声的对话中。
-
新的CLEAR框架在不损失实用性的情况下增强大模型安全性 · 跟踪2个来源
研究人员开发了CLEAR，一个用于在不牺牲实用性的情况下提高大语言模型（LLM）安全性的新框架。CLEAR使用一种连续潜在适配器路由机制，仅在必要时选择性地应用安全调整，从而防止在良性任务上的性能下降。实验表明，CLEAR在HarmBench等基准测试中显著减少了有害输出，同时在GSM8K等实用性基准测试中保持甚至提高了性能，特别是在应用于LLaMA-3-8B-Instruct等模型时。
-
购买已验证的LinkedIn账户因身份验证政策存在风险
购买已验证的LinkedIn账户存在重大风险，“已验证”一词可能具有误导性。虽然某些账户可能经过电话验证（PVA），但这不等同于身份验证，身份验证与个人的政府颁发身份证件相关联，且无法转移。LinkedIn的政策禁止共享或转移账户，这意味着购买的个人资料代表着一个无法合法转移给新所有者的职业身份。
-
CLEAR框架增强长尾分类的可靠性
研究人员推出了一种新颖的集成框架CLEAR，旨在提高长尾分类任务的可靠性。该方法使用结构化采样生成多样化的专家，然后为每个专家估计一个类别的信任分数。在推理过程中，CLEAR通过强调不同类别使用不同的专家来组合专家预测，从而在CIFAR-100-LT、ImageNet-LT和Places-LT等基准数据集上实现了具有竞争力的整体准确性和增强的少样本性能。
-
新的CLEAR框架统一了3D高斯超分辨率
研究人员推出CLEAR，一个新颖的单阶段框架，旨在改进稀疏视图3D高斯泼溅超分辨率。该方法通过在统一的高斯表示中联合优化低分辨率观测和高分辨率先验，解决了传统两阶段管线的局限性。CLEAR采用高斯感知冲突感知优化策略来管理训练冲突，并通过证据引导的路由机制来恢复高频细节，在超分辨率基准测试中展示了最先进的结果。
-
AI 编码助手：Clear、Handoff、Compact 和 Subagents 的策略
本文探讨了管理 AI 编码助手的不同策略，重点关注如何选择使用 'clear'、'handoff'、'compact' 和 'subagents' 方法。文章强调，使用这些工具的主要挑战不在于编写代码本身，而在于确定 AI 工作流程中的下一步。
-
移民局通过信用卡数据经纪商获取家庭住址
美国移民与海关执法局（ICE）通过一个始于用户办理信用卡的数据供应链，获取了个人家庭住址。这些最初提供给金融机构的个人信息，随后会分享给Experian和Equifax等信用报告机构。这些机构又将信用头数据提供给Thomson Reuters等公司，后者将其整合到其调查产品CLEAR中。ICE购买CLEAR的访问权限，使其无需搜查令即可搜索个人住址，并可以使用Palantir的ELITE系统进一步优化搜索。参议员Ron Wyden和律…
-
ICE 将向汤森路透支付 1.25 亿美元以获取个人数据调查“选民欺诈”
美国国土安全部 (DHS) 计划授予汤森路透一份价值 1.25 亿美元的合同，以访问其广泛的个人数据库。这些数据包括姓名、地址、社会安全号码和地理位置信息，将由美国移民和海关执法局 (ICE) 用于调查所谓的选民和移民欺诈。汤森路透的 CLEAR 产品将为数百万人和实体提供持续监控能力，这项服务被描述为国家安全和识别符合各种资格要求的个人的关键。
-
ICML 2026：AI 在效率、理论和鲁棒性方面取得进展
在 ICML 2026 上发表的多篇研究论文探讨了 AI 的进展，重点关注效率、鲁棒性和新的理论框架。关键进展包括加速深度学习操作的新方法，如窗口化批矩阵乘法 (WBMM) 和高效的 4 位训练 (TetraJet-v2)。研究人员还通过 CPO 解决了模型对齐的理论挑战，并通过内部指标（如隐藏状态的 L2 范数）提出了理解和改进模型推理的新方法。
-
新研究利用先进的模拟器和基准来解决自动驾驶安全问题
研究人员正在开发新的方法和基准来提高自动驾驶系统的安全性和鲁棒性。其中一种方法 MultiSim 使用模拟器集成来识别在不同模拟环境中都一致的导致故障的场景，其表现优于单一模拟器测试。另一项开发 Shift & Drift 是一个基准，旨在测试运动规划器在语义偏移和执行扰动下的表现，揭示了模仿保真度和韧性之间的权衡。此外，WCog-VLA 是一个结合了世界认知和生成模型以实现主动自动驾驶的新颖框架，而 CARLA-GS 通过解耦表示、…
-
新的CLEAR方法通过平衡风险来改进AI不确定性量化
研究人员推出了一种新颖的校准方法CLEAR，旨在通过解决回归任务中的偶然不确定性和认知不确定性来改进预测区间覆盖率。该方法利用两个独立的参数（γ1和γ2）来平衡这些不确定性组成部分。CLEAR具有通用性，可以与各种估计器集成，例如用于偶然不确定性的分位数回归，以及用于认知不确定性的深度集成或来自可预测性-可计算性-稳定性（PCS）框架的方法。在17个不同的数据集上，CLEAR在保持标称覆盖率的同时，在区间宽度方面比单独的基线校准平均提…
-
Clear CEO 随着身份识别技术扩展到机场以外的领域，成为亿万富翁
Clear 公司提供通过生物识别身份识别加快机场安检的服务，已取得巨大的财务成功，其 CEO Caryn Seidman Becker 已成为亿万富翁。该公司报告 2025 年收入为 9 亿美元，净利润为 1.68 亿美元，服务于 60 个机场的 820 万会员。Clear 现正扩展到机场以外的领域，将其身份验证技术整合到体育场馆、LinkedIn 和 Docusign 等专业服务中，尤其是在医疗保健领域，以简化患者登记和医疗记录访问。
-
新数据集和AI方法推动自动驾驶研究进展
研究人员提出了几种增强自动驾驶系统的新方法。一篇论文详细介绍了TaCarla，这是一个用于端到端自动驾驶研究的大型数据集，包含超过285万帧，并支持检测和预测等各种任务。另一项研究提出了扩散强制规划器（DFP），这是一个基于扩散的框架，旨在提高运动计划的时间一致性和稳定性。此外，一种名为不确定性感知运动规划（UAMP）的新方法旨在通过考虑人类驾驶员意图的不确定性来提高混合交通环境中的安全性和舒适性。
-
新的CLEAR框架改进了文本到视频扩散模型中的概念擦除
研究人员开发了一个名为CLEAR的新框架，以改进文本到视频扩散模型中的概念擦除。他们发现语义信息在模型的深度中编码不均匀，这为有效去除概念造成了瓶颈。CLEAR通过识别目标概念与其他信号更易分离的特定表示深度来解决这个问题，从而在保持生成质量的同时实现更精确的抑制。
-
医疗保健基础设施债务在峰会上暴露，传真和CD依然存在
Axios未来健康峰会凸显了美国医疗保健领域持续存在的基础设施债务问题，尽管人工智能和数字化取得了进展，但传真机和CD等过时系统阻碍了信息交流。讨论显示，近一半的预授权沟通仍依赖传真，造成了显著的行政延误和负担。即使在努力实现现代化的过程中，核心挑战仍然是系统无法可靠地通信，迫使患者和临床医生手动弥合信息鸿沟。
-
Axios 2026年未来健康峰会将汇聚医疗健康领域领导者
Axios 将于 2026 年 5 月 13 日星期三举办其第二届年度未来健康峰会，届时将就不断变化的医疗健康格局进行讨论。此次活动将汇聚来自医疗健康、技术和政策领域的各类领导者，共同探讨这些变化。知名演讲者包括 CLEAR、Bristol Myers Squibb、WHOOP、Weight Watchers 和 PhRMA 的高管，以及政府官员和记者。