实体
Frank-Wolfe algorithm
Frank-Wolfe algorithm
PulseAugur coverage of Frank-Wolfe algorithm — every cluster mentioning Frank-Wolfe algorithm 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
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新策略通过调整裁判偏见来优化LLM偏好学习
研究人员开发了一种名为“滋扰调整最优设计”（NAOD）的新策略，以改进大型语言模型（LLM）主动偏好学习中的比较选择。该方法考虑了LLM裁判可能存在的偏见，这些偏见可能偏离目标人类偏好。NAOD在调整了这些滋扰偏见后，优先考虑与策略相关的信息，并使用Frank-Wolfe算法进行优化。在Chatbot Arena数据上的实验表明，与标准的靶向信息设计相比，NAOD将平均遗憾值降低了29.1%，优于现有方法，并提高了人类偏好预测的准确性。
-
Lloyd's K-Means 算法被识别为 Frank-Wolfe 方法的特例
一篇新论文建立了 Lloyd's K-Means 聚类算法与 Frank-Wolfe (FW) 算法之间的联系，证明 K-Means 是 FW 的一个特定实例。该研究推导了 K-Means 的非渐近收敛率，并提出了一种用于处理空簇的 FW 变体，保持了相同的收敛率。研究结果通过对高斯混合模型和图像分割数据的模拟进行了说明。