Fengxiang He
PulseAugur coverage of Fengxiang He — every cluster mentioning Fengxiang He across labs, papers, and developer communities, ranked by signal.
-
研究发现：大型语言模型推理表现出超越价值对齐的非理性
arXiv上的一篇新研究论文探讨了大型语言模型中“理性价值风险”的概念，指出即使是经过良好对齐的模型在推理过程中也可能表现出非理性。这种风险被量化为模型已部署的推理策略与其理性最大化对齐效用的策略之间的差异。该研究在多个基准测试中测试了包括Llama-3.1、Qwen-2.5、Tülu-3、GPT-5.2、GPT-5.5和DeepSeek-V4在内的模型，发现这种风险普遍存在。虽然价值对齐可以减少但不能消除这种非理性，但诸如自洽性（s…
-
PEAR协议通过自适应路由增强LLM辩论的可靠性
研究人员开发了一种新的多智能体辩论协议，称为PEAR（置换等变自适应路由），以提高大型语言模型的可靠性。与固定拓扑结构不同，PEAR在辩论轮次中动态地重新配置通信角色和稀疏拓扑结构。这种自适应路由可以防止持续的位置偏差，并更均匀地分配智能体之间的影响力。在四个推理基准和六个LLM骨干上的实证评估表明，PEAR显著提高了相对于现有辩论基线的准确性。
-
DeXposure-FM：用于 DeFi 信用敞口的新型图基础模型
研究人员推出 DeXposure-FM，这是一种新颖的时间序列图基础模型，旨在量化和预测去中心化金融 (DeFi) 网络中的信用敞口。该模型旨在解决 DeFi 互联代币系统中固有的传染风险，这些风险可能导致金融冲击的失控传播。DeXposure-FM 使用图-表格编码器，并在包含数千个协议和区块链的超过 4370 万条记录的大型数据集上进行了训练。与现有的图基础模型和时间图神经网络相比，该模型在机器学习基准测试中表现出卓越的性能，并为…
-
研究发现：等变神经网络可能限制表达能力
一项新的研究论文探讨了使用等变神经网络的权衡，这些网络旨在利用数据对称性。该研究聚焦于两层ReLU网络，证明强制执行这些对称性约束会限制网络的表达能力。研究人员发现，可以通过增加模型大小来克服这一限制，并且令人惊讶的是，具有补偿等变性的大型架构表现出较低的假设空间维度，可能带来更好的泛化能力。