实体
Gradient Ascent
Gradient Ascent
PulseAugur coverage of Gradient Ascent — every cluster mentioning Gradient Ascent 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 3 条
-
机器遗忘技术降低了音频语言模型的隐私风险
研究人员开发并评估了几种用于语音问答大型音频语言模型（LALMs）的机器遗忘策略。这些方法包括梯度上升、任务算术和基于对齐的微调，旨在从LALMs中移除敏感信息，同时保留其核心语音理解和问答能力。实验表明，这些遗忘技术可以将隐私泄露显著降低高达80%，同时对非私有语音问答和通用语音理解任务的性能影响极小。
-
新的大语言模型遗忘方法解决鲁棒性和效用保持问题 · 跟踪5个来源
研究人员正在开发先进的大语言模型（LLM）遗忘技术，重点关注能够抵御重新学习攻击并保持模型效用的方法。BLADE和Margin Calibration (MC)等新方法旨在提高对遗忘过程的控制力，解决灾难性遗忘和信息删除脆弱性等问题。这些方法正在各种基准和模型规模上进行评估，重点关注对抗鲁棒性，以确保通过战略性提示无法轻易恢复被遗忘的信息。
-
卢德分子计算机科学家质疑AI代码生成方法
一位有机计算机科学家和自称的卢德分子Anthony认为，梯度上升是优于生成-测试的软件开发方法，尤其是在处理潜在有害结果时。他质疑在敏感软件领域依赖代码生成器和测试，认为这会丢弃可靠的梯度信息。这一观点凸显了对当前AI研究的健全性和其潜在社会影响的担忧。