实体
Pabbaraju
Pabbaraju
PulseAugur coverage of Pabbaraju — every cluster mentioning Pabbaraju across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新研究表明正确数据会损害机器学习模型性能
研究人员发现了一种现象，即向训练集中添加正确数据会适得其反地损害机器学习模型的性能。当一个单调的对手附加更多正确标记的示例时，就会发生这种情况，这可能会导致模型的错误率超出干净数据所预期的水平。该研究引入了学习器的插入稳定性概念，该概念保证了对这种对手的免疫力，确保额外的正确数据只会提高或保持性能。研究强调，学习算法与数据类别之间的匹配度对于避免这些负面影响至关重要。
-
新研究表明对抗者可以将学习误差增加对数因子
Larsen、Pabbaraju 和 Shetty 的一篇新研究论文探讨了在面对来自单调对抗者的数据时，学习算法的理论极限。研究表明，由于对抗者添加的示例而引入的数据不可交换性，会使某些类别数据的学习误差固有地增加一个对数因子。这一发现挑战了额外正确标记的数据总是简化学习过程的假设，证明它实际上可能使学习变得更困难。
-
研究人员探讨生成式AI模型的信用归因挑战
研究人员已发现，让自回归生成式AI模型能够恰当地归因于其训练数据存在重大挑战。一篇新论文探讨了反事实信用归因（CCA）的概念，这是确保模型承认其来源的一项技术条件。研究表明，CCA不能自回归地组合，这意味着满足CCA的下一词预测模型可能整体上不满足CCA。此外，尝试为现有模型添加信用归因功能面临巨大障碍，可能需要与输出长度成指数关系查询复杂度。