Erase
PulseAugur coverage of Erase — every cluster mentioning Erase across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的防御措施利用自蒸馏和对抗性训练来解决 LLM 中的提示注入问题 · 跟踪 2 个来源
研究人员开发了两种新颖的方法来对抗大型语言模型中的提示注入攻击。第一种方法 ERASE 使用基于策略的自蒸馏来替换多模态输入（图像、音频、视频）中的恶意注入内容，同时保留原始信息，在对任务效用影响极小的情况下实现了近乎零的攻击成功率。第二种方法 SecPO 采用了一个有原则的对抗性训练流程和一个新的 SecPO 损失函数，以创建更强大的针对自适应提示注入的防御措施，在不影响良性任务性能的情况下显著降低了攻击成功率。
-
新方法优化大型视觉语言模型的视觉令牌化 · 跟踪到 4 个来源
研究人员开发了几种新方法来优化大型视觉语言模型（VLM）的视觉令牌化，旨在降低计算开销同时保持准确性。MixTok 引入了一种混合方法，结合了全局一维令牌和用于局部精炼的稀疏二维令牌，在 ImageNet 上取得了有竞争力的性能。ERASE 采用两阶段框架，首先去除图像级冗余，然后修剪与指令无关的令牌，在 Qwen2.5-VL-7B 上展示了显著的令牌减少和最小的准确性损失。ReFIT 提供了一个指令引导的框架，该框架适应相关区域的空…
-
新的ERASE框架可在不改变权重的情况下实现AI模型的遗忘
研究人员推出了一种新颖的ERASE框架，旨在无需改变AI模型的权重即可实现私有数据的随时的遗忘。该方法在推理过程中利用对抗性信号编辑和类别条件输入扰动来抑制数据影响。ERASE旨在实现特定数据子类的功能性遗忘，同时保持模型的通用性能，为注重隐私的学习提供了一种可扩展且符合法规的方法。
-
新的ERASE方法将推荐系统训练速度提高了9.51%
研究人员开发了一种名为ERASE（EaRly bAckpropagation SchEdule）的新训练方法，旨在加速推荐系统的训练。ERASE重新解释了前向-前向（FF）的解耦机制，允许反向传播更早开始，与后续的前向传播重叠。该技术已被证明在大型点击率模型上可将训练吞吐量提高高达9.51%，同时将归一化熵保持在接近基线水平。