Haste
PulseAugur coverage of Haste — every cluster mentioning Haste across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法通过改进的训练和性能增强生成推荐系统 · 跟踪4个来源
研究人员开发了新的方法来改进生成推荐系统，该系统将项目表示为语义ID并通过自回归生成它们。一种方法HASTE结合了分层和属性级别的监督，以加速训练并提高不太常见项目的性能。另一种方法TacGR（UniSGR-V2）通过在解码器中预测和交叉目标项特征来解决“目标侧特征真空”问题，从而在转化率和商品总价值等关键指标上取得显著改进。
-
新的HASTE框架演进AI代理防御能力以应对新兴网络威胁
研究人员开发了HASTE，一个新颖的多代理框架，旨在自动演进代理工具以抵御新兴网络威胁。该系统解决了在面对有限证据（如威胁报告中的简短描述或少数攻击示例）时调整安全约束的挑战。HASTE通过一个对抗性过程运行，其中生成安全规范来指导工具更新，同时使用攻击案例来探测剩余的漏洞。这种迭代方法使该框架能够有效地演进工具以抵御新攻击，即使是那些超出最初观察到的证据范围的攻击，这一点已通过在各种模型和攻击类型中攻击成功率的持续降低得到证明。
-
HASTE平台可实现灾后建筑损害的快速评估
研究人员开发了HASTE，一个无代码的Web平台，用于灾后建筑损害的快速评估。HASTE使非机器学习专家能够在灾难发生后数小时内从卫星图像创建损害地图。该平台采用两种方法：一种是在用户标记的单场景数据上训练语义分割模型，另一种是使用预训练的视觉模型和逻辑回归进行快速评估。初步实验表明HASTE的有效性，它使用显著更少的数据就能匹配监督基线，并且已经支持了三十多次实际灾难响应。
-
HASTE系统通过分层技能迁移提高了机器学习工程代理的效率
研究人员开发了HASTE，一个旨在提高机器学习工程代理效率的分层多代理系统。通过将知识组织成全局、领域和特定竞赛的层级，HASTE允许代理在不同竞赛之间迁移学习到的技能，减少了从头开始解决问题的需求。这种方法显著提高了性能，在对照测试中达到了100%的奖牌率，而平坦加载的成功率为62.5%，并在热启动场景中使用了更少的优化迭代。
-
HASTE框架实现无需训练的CNN压缩
研究人员开发了HASTE，一个新颖的框架，旨在压缩大型预训练卷积神经网络（CNN）而无需额外的训练或数据访问。这个即插即用的模块在推理过程中利用局部敏感哈希动态合并冗余通道，从而降低计算成本。在CIFAR-10和ImageNet等数据集上的实验表明，FLOPs显著减少，例如ResNet34的FLOPs减少了46.2%，而准确率仅有微小下降。
-
HASTE 方法优化极端多标签分类模型
研究人员开发了 HASTE，一种用于优化极端多标签分类 (XMC) 模型的新颖方法。HASTE 通过引入组共享固定扇入稀疏性来解决 XMC 中的瓶颈，该稀疏性允许语义相关的标签共享稀疏输入模式。这种方法通过定制的 CUDA 核增强了硬件利用率并实现了高效的 GPU 执行，与现有的稀疏方法相比，在前向和后向传播中实现了显著的加速。