Neural Information Processing Systems 2023
PulseAugur coverage of Neural Information Processing Systems 2023 — every cluster mentioning Neural Information Processing Systems 2023 across labs, papers, and developer communities, ranked by signal.
-
专家问题和OCO的极小极大交替遗憾已解决 · 跟踪2个来源
研究人员已经解决了专家问题和在线凸优化（OCO）的极小极大遗憾率问题。对于d专家问题，极小极大交替遗憾被证明是 $\Theta(\log d)$，独立于时间跨度T。这比Hait等人建立的 $\mathcal{O}(T^{1/3}\log^{2/3} d)$ 等先前界限有了显著改进。对于d维紧凸集上的通用OCO，极小极大交替遗憾是 $\Theta(d\log(1+T/d))$，也比先前结果有了实质性改进。这些发现是通过对Hedge等现有…
-
墨生智能完成近亿元融资，聚焦国产芯片的具身智能
由教授和前英特尔科学家创立的中国初创公司墨生智能已获得近一亿元人民币的Pre-A轮追加融资。该公司专注于端侧具身智能，其“世界运动模型”采用新颖的数据训练方法，仅需90%的真实机器人数据。墨生智能的技术已被英伟达DYAR实验室引用，公司强调其软硬协同方法，针对国产芯片平台优化模型，以降低成本和延迟。
-
LLM 裁判显示出不一致性和偏见，需要新的评估方法
用作自动化评估系统中裁判的大型语言模型会表现出不一致性，导致结果不可靠。采样温度、模型版本漂移、提示模糊和决胜机制等因素都会导致这种可变性。为缓解这些问题，开发人员可以实施诸如将温度设置为零、固定特定模型版本和提示版本、对多次运行的分数取平均值以及将分数量化为更粗糙的网格等策略。此外，一个重大挑战是立场偏见，即 LLM 裁判倾向于偏爱第一个呈现的答案，这会扭曲评估指标。解决此问题需要以两种呈现顺序运行成对比较，以衡量分歧并确定偏见的程度。