Model Merging for Linguistic Transfer
PulseAugur coverage of Model Merging for Linguistic Transfer — every cluster mentioning Model Merging for Linguistic Transfer across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
研究发现：模型合并可能增加对抗性攻击的脆弱性
一篇题为“立即合并，后悔莫及：模型合并的隐藏成本是对抗性可迁移性”的新研究论文，挑战了模型合并（MM）本身就能提供对抗性鲁棒性的观点。该研究对八种MM方法、七个数据集和六种攻击方法进行了广泛评估，发现MM无法可靠地防御可迁移攻击，观察到的可迁移率超过80%。关键见解表明，更强的MM方法和减轻表示偏差会增加对可迁移攻击的脆弱性，尽管权重平均似乎是一个例外。这些发现为设计利用模型合并的安全机器学习系统提供了实用指导。
-
新研究应对生成式推荐挑战，提高公平性和准确性
多篇研究论文正在探索生成式推荐系统的进展，重点是提高准确性和公平性。EchoRec 提出了一种跨多个时间范围对齐偏好的方法，以实现更好的生成式推荐。FSGR 解决了基于语义 ID 的推荐中的 token 频率偏差，以确保更公平的物品曝光。DiffGRM 采用基于扩散的方法，更鲁棒且并行地生成物品 ID，提高了推荐准确性。DTAMLP 提出了一种用于基于会话的推荐的去噪和时间感知 MLP，识别并减轻意外点击产生的零星噪声。HCGRec …
-
新的TTA方法使用ZOO和模型合并技术，适用于资源受限设备
研究人员开发了一种新的测试时域自适应（TTA）方法，以解决边缘设备的资源限制问题。通过将零阶优化（ZOO）与模型合并集成到跨设备协同TTA框架中，他们的方法绕过了计算密集型反向传播的需求。该方法专为混合了资源丰富和资源受限设备的系统设计，允许在资源受限设备上仅通过前向传播进行模型更新。该技术还包含一种预处理策略，用于修剪非影响性权重并减少模型间的冗余，从而增强ZOO与模型合并之间的协同作用。