Lisa Feldman Barrett
PulseAugur coverage of Lisa Feldman Barrett — every cluster mentioning Lisa Feldman Barrett across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新算法加速了随机分配的隐私损失核算
研究人员开发了一种名为多尺度FFT的新算法，该算法显著加速了随机分配采样方案的隐私损失核算。该方法通过将计算复杂度从关于精度参数 alpha 的二次方降低到线性来改进现有技术。新算法还引入了一种更精确的舍入方法，进一步增强了差分私有随机梯度下降 (DP-SGD) 的隐私界限。
-
新论文修正机器学习中的记忆下界
Zhenisbek Assylbekov 和 Lisa Feldman Barrett 在 arXiv 上发表的一篇新论文修正了先前确定的记忆下界。作者们为该界限的条件形式和平均形式提供了一个反例，证明了所提出的惩罚与实际超额风险之比可以呈指数级增长。他们提出使用全样本后验概率进行精确替换，该概率取决于重数和完整的频率分布，并描述了对无限制学习者有效的最大重数系数。
-
研究论文分析分层函数的噪声敏感性
一篇新的研究论文探讨了具有分层结构函数的学习复杂性，特别是在深度学习的背景下。研究表明，具有树状分层结构（尤其是偏离线性时）的函数相对于其深度表现出指数级小的噪声稳定性。这些发现对无偏学习具有启示意义，为布尔和高斯设置中分层函数的学习提供了超多项式下界。
-
新的“幅度势能”指标有助于神经网络泛化分析
研究人员引入了一个名为“幅度势能”的新概念，该概念源自度量幅度理论，以更好地理解神经网络的泛化能力。该量在logit层计算，反映了一个点在数据集中的表示程度。实验表明，该幅度势能的比率与记忆分数相关，并且可以检测决策边界的结构变化，作为模块化算术任务中“grokking”的几何指标。即使在抑制神经网络坍塌的情况下，幅度势能也保留了关于几何结构的信息。
-
LLM评估偏差：赢家诅咒夸大了性能指标
在LLM评估中，一种常见的做法是针对固定数据集测试多个提示变体，并选择表现最佳的一个，这可能导致性能指标虚高。这是由于“赢家诅咒”，即嘈杂测量值的最大值本身就存在向上偏差。例如，在一个包含250个样本的数据集上测试四十个提示变体，即使没有取得实际进展，也可能产生约五分的表观改进。研究人员建议采用分离开发集和确认集、根据实验次数调整性能阈值、仔细记录数据集查询次数以及定期刷新评估集等做法来缓解这种偏差。
-
新型AI代理在模拟中展现预测性异态稳态组织
研究人员开发了能够再现和尖峰代理的代理，它们能够在部分可观察性下表现出适应性行为，其灵感来自Barrett和Miller的分类理论。这些代理在能量受限的觅食任务中进行了测试，与基线方法相比，它们的表现有所提高。研究发现，代理的早期内部动态可以预测后来的成功，ROC-AUC最高达到0.802，并且预测信号分布在各种内部变量中。
-
Magnite 预计 2027 年 AI 广告支出达 7 亿美元；Snap 阻止纯 AI 视频
Magnite 的 CEO 预测，到 2027 年，agentic AI 将推动广告支出接近 7 亿美元，同时减少对承包商角色的需求。与此同时，Snap 正在实施一项政策，禁止其 Spotlight 功能中使用完全由 AI 生成的视频，但使用 Snapchat AI 工具辅助的内容仍可发布，并带有透明度指示。Snap 此举旨在区分完全由 AI 生成的内容和 AI 辅助的创意工作流程。
-
最高法院维持邮寄选票宽限期
最高法院维持了密西西比州的一项法律，允许在选举日之前邮寄的选票在选举日后五天内收到即可被计入。这项裁决可能会保护其他州的类似投票法律，并可能加剧特朗普总统对邮寄投票的批评。法院以5比4的裁决，大法官Alito、Thomas、Gorsuch和Kavanaugh持不同意见，裁决的核心是“选举日”的解释，即投票者选择之日而非选票收到之日。