PulseAugur
中
实时 12:28:21
实体 Clear

Clear

PulseAugur coverage of Clear — every cluster mentioning Clear across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
7
90 天内 24
发布 · 30天
0
90 天内 0
论文 · 30天
6
90 天内 18
层级分布 · 90 天
主题
关系
时间线
  1. 2026-11-14 product_launch Meta has deployed CLEAR, a new recommendation system, on Instagram and Facebook. 来源
  2. 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
情绪 · 30 天

3 天有情绪数据

最近 · 第 1/2 页 · 共 27 条
  1. TOOL · CL_362526 ·

    Meta 的 CLEAR 系统提供透明、可控的推荐

    Meta 开发了 CLEAR,一个允许用户检查和修改其推断兴趣的新推荐系统。该系统已部署在 Instagram 和 Facebook 上,使用一个可编辑的自然语言层来表示用户偏好。CLEAR 旨在通过将推断的兴趣与用户历史记录关联,并允许用户直接输入,从而使推荐更加透明和可控。在测试中,CLEAR 的 Specialized 3B 生成器在推荐基准测试中优于 Gemini 2.5 Pro 和之前的生成器,用户对显示的兴趣的准确性评价约…

  2. TOOL · CL_342378 ·

    CLEAR框架利用潜在扩散模型推进单图像反射去除

    研究人员推出了一种新颖的单图像反射去除框架CLEAR。该方法利用预训练的潜在扩散模型作为先验,并采用物理引导分离器进行单次传递预测层潜在表示。一项关键创新是混合特征对齐模块,它将高频内容与清晰透射对齐的颜色查询对齐,以在减少反射伪影的同时保留透射一致的纹理。CLEAR在多个基准测试中展示了最先进的性能,实现了最佳的平均保真度和感知指标。

  3. TOOL · CL_327345 ·

    新基准和框架解决长视频AI理解中的偏见问题

    研究人员推出了S-MME,这是一个旨在识别多模态大语言模型(MLLMs)在处理长视频时行为偏见的基准。他们还提出了CLEAR,一个用于解决这些偏见的无训练框架。CLEAR通过估计视频-问题对的增强视图中的偏见效应,并干预模型的隐藏状态来提高预测准确性和鲁棒性。该方法在各种基准测试中显示出一致的改进,并且可以与不同的MLLMs集成。

  4. TOOL · CL_327201 ·

    INTRA稀疏注意力通过新颖的中继通信提升Transformer效率

    研究人员推出了一种新颖的稀疏注意力机制INTRA,旨在提高Transformer模型的效率。INTRA采用交错的非连续标记方法,将注意力视为计算查询集约束下的中继通信过程。该方法利用互补稀疏组在层之间创建短通信路径,从而增强全局可达性并优化GPU硬件。INTRA在图像生成和长上下文预填充效率等各种任务上都展示了显著的速度提升和性能改进。

  5. TOOL · CL_327039 ·

    新的CLEAR框架增强了对话中的多模态情感识别能力

    研究人员开发了一个名为CLEAR的新框架,以改进对话中的多模态情感识别。该方法通过更好地利用视觉-语言模型内部的情感信息并加强目标话语的局部判别线索,解决了当前方法的局限性。在IEMOCAP和MELD数据集上的实验表明,CLEAR取得了具有竞争力的性能,突显了结合上下文表征与局部证据的有效性。

  6. TOOL · CL_308160 ·

    新的CLEAR框架增强了视觉反事实解释

    研究人员开发了CLEAR,一个用于生成视觉反事实解释的新框架,旨在提高真实性和效率。CLEAR利用潜在流匹配方法,通过分类器引导更好地对齐生成过程,确保编辑是协同的并保留重要的图像内容。该方法动态识别可编辑区域并约束修改,从而生成与图像空间方法质量相当但速度显著更快的反事实解释。

  7. TOOL · CL_277256 ·

    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。

  8. TOOL · CL_256848 ·

    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。

  9. TOOL · CL_254958 ·

    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。

  10. TOOL · CL_254451 ·

    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。

  11. TOOL · CL_235131 ·

    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。

  12. RESEARCH · CL_215736 ·

    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。

  13. COMMENTARY · CL_208272 ·

    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。

  14. TOOL · CL_198043 ·

    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。

  15. TOOL · CL_181057 ·

    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。

  16. COMMENTARY · CL_158889 ·

    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。

  17. RESEARCH · CL_157462 ·

    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…

  18. RESEARCH · CL_148813 ·

    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。

  19. RESEARCH · CL_129989 ·

    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。

  20. RESEARCH · CL_128900 ·

    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、…