Drift
PulseAugur coverage of Drift — every cluster mentioning Drift across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型Transformer模型DRIFT增强DGA检测能力以应对不断演变的威胁
研究人员开发了一个名为DRIFT的新型基于Transformer的框架，以对抗僵尸网络中使用的领域生成算法（DGA）不断演变的威胁。通过一项为期九年的研究，他们观察到随着新变种的出现，现有的DGA检测方法会迅速退化。DRIFT通过学习不变表示来解决这个问题，它采用混合标记化策略，结合了字符级和子词级编码，以及多任务自监督预训练。评估表明，DRIFT显著缓解了时间退化，并在前向链接实验中超越了当前最先进的基线，提供了更可靠的长期防御。
-
新的DRIFT框架通过自适应流增强磁共振成像超分辨率
研究人员开发了DRIFT，一种用于提高面内磁共振成像（MRI）分辨率的新型两阶段框架。该方法解决了MRI超分辨率中速度与保真度之间的权衡问题，而这种权衡通常因为了缩短扫描时间而进行的各向异性采集而加剧。DRIFT利用解剖投影网络进行初始解剖映射，并通过一个由物理感知难易度指标引导的校正流阶段来完善细节并根据切片厚度自适应ODE步长，从而实现更高效、更准确的重建。
-
新的DRIFT框架提升LLM自我改进能力，创SOTA基准 · 追踪2个来源
研究人员开发了DRIFT，一个无需外部专家监督即可增强大型语言模型自我改进能力的新型框架。DRIFT采用难度路由和节律门控来管理模型的学习过程，将探索集中在关键的推理领域和问题级别进展上。在五个基准和三个模型规模上的评估表明，DRIFT的表现优于GRPO和SDPO等现有方法，取得了79.5%的新SOTA平均分数，并显著提高了ToolUse基准的准确性。
-
MLOps：漂移检测后自动化模型再训练
本文讨论了从检测机器学习模型中的数据漂移到通过自动化再训练积极解决数据漂移的重要性。它强调最终目标是通过实施闭环系统，在识别出漂移时触发再训练，从而确保模型保持有效。该文提倡采用 MLOps 实践来促进这一持续改进周期。
-
新的DRIFT方法优化大型语言模型训练数据以提升性能
研究人员开发了一种新颖的指令数据优化方法DRIFT，旨在提升大型语言模型的性能上限。与专注于子集选择的现有数据策选技术不同，DRIFT旨在改进数据分布本身。它利用策略内影响函数，将模型自身的rollouts作为验证目标，以解决标准影响函数公式中存在的邻近差距和梯度范数偏差等局限性。使用7B参数模型的实验表明，DRIFT能有效提升指令和推理任务的性能，优于当前的数据策选基线。
-
MLOps：超越模型训练 - 实战指南
两篇文章讨论了MLOps，重点关注模型初始训练之外的实际方面。第一篇文章强调，构建MLOps平台是一项艰巨的任务，训练模型仅占整体工作的一小部分。第二篇文章提供了MLOps的入门指南，涵盖了版本控制、部署、监控和漂移检测等基本组成部分。
-
新的DRIFT方法改进了AI生成图像的检测
研究人员开发了一种名为DRIFT的新方法来检测AI生成的图像，该方法可以适应未见的图像生成器。这种方法将检测表述为使用单类监督学习真实图像的不变性流形。DRIFT利用轻量级投影头将图像表示空间分离为鲁棒子空间和脆弱子空间，通过测试不变性的违反来启用检测。
-
AI框架DRIFT提升6G卫星网络效率
研究人员开发了一个名为DRIFT的新型AI驱动框架，用于预测6G非地面网络中的无线信道响应。该轻量级架构旨在通过在初始导频传输后依赖数据驱动的处理来减少导频开销。DRIFT的卷积和LSTM变体设计用于低计算成本，使其适用于功耗受限的卫星实现，并实现高达12%的频谱效率提升。
-
新的DRIFT框架提升了LLM多轮学习效率
研究人员推出了一种新的框架DRIFT，旨在提高大型语言模型进行多轮交互训练的效率。DRIFT解决了昂贵的在线强化学习与效果较差的离线监督微调之间的权衡问题。通过将轨迹采样与优化解耦并使用重要性权重，DRIFT在保持监督微调的简洁性和效率的同时，实现了与强化学习相当的性能。