实体
Kamesh Munagala
Kamesh Munagala
PulseAugur coverage of Kamesh Munagala — every cluster mentioning Kamesh Munagala across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新研究应对在线共形预测和选择挑战 · 跟踪3个来源
三篇新研究论文探讨了在线共形预测和选择的进展，解决了现有方法的局限性。第一篇论文介绍了一个统一的在线共形预测框架，即使在对抗性设置下也能同时控制覆盖率违规和预测集效率。第二篇论文侧重于有限反馈下的高效在线共形选择，在类似赌博机的反馈下证明了对抗有效性和随机效率。第三篇论文提出了鲁棒共形选择（RCS），一种旨在即使在校准数据被噪声响应污染时也能保持有效的错误发现率控制的方法，并在包括大型语言模型在内的各种应用中展示了其有效性。
-
新的优化框架为生成模型提供样本高效学习
研究人员引入了一个名为“粗粒度可学性”的新框架，以解决涉及复杂生成先验的样本高效优化问题。该框架为逼近目标分布提供了理论保证，这对于模型优化（MBO）等任务至关重要。所提出的算法名为 \alift，在达到 \(\varepsilon\)-最优性时，样本复杂度为 \(\\tilde{{O}}(\log 1/\varepsilon)\)，其速率可与乐观空间划分方法相媲美。该研究还提出了在大型语言模型推理时间对齐方面的潜在应用。