实体
Computation Graphs for AAD and Machine Learning Part II: Adjoint Differentiation and AAD
Computation Graphs for AAD and Machine Learning Part II: Adjoint Differentiation and AAD
PulseAugur coverage of Computation Graphs for AAD and Machine Learning Part II: Adjoint Differentiation and AAD — every cluster mentioning Computation Graphs for AAD and Machine Learning Part II: Adjoint Differentiation and AAD across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
编译器将Python计算图转换为Transformer权重，无需训练
一位开发者创建了一个编译器，可以将Python计算图直接转换为标准Transformer模型的权重。这种方法绕过了传统的训练方法，允许Transformer执行定义的图，而无需自定义代码或外部依赖。该项目名为TorchWright，旨在用普通的Python表达计算图并以标准的Transformer架构为目标，输出兼容Hugging Face的检查点。
-
新框架使用计算图诊断 LLM 越狱漏洞
研究人员开发了一个新框架，用于理解大型语言模型 (LLM) 如何容易受到对抗性提示和越狱攻击。该方法使用成对的内部计算图，将提示特定的推理表示为潜在特征之间的结构化因果交互。通过对干净提示和受攻击提示的这些图进行对齐，研究揭示了攻击会系统性地改变模型的内部推理，例如抑制安全功能或重新路由计算路径。该框架允许对模型故障进行因果诊断，并在实验中表明，这些图中的结构偏差与不安全行为密切相关，从而能够进行有针对性的干预以提高模型鲁棒性。