Procrustes
PulseAugur coverage of Procrustes — every cluster mentioning Procrustes across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的PetriNetGraph框架增强了流程挖掘模型评估
研究人员开发了一个名为PetriNetGraph的新框架，用于评估流程挖掘中流程模型的质量。该方法使用节点嵌入和Procrustes对齐来将发现的模型与真实情况进行比较，提供了比传统合规性度量更强大的指标。该框架旨在对事件日志中的噪声和偏差不那么敏感，提供一个统一且有界的流程发现质量指标。实验表明，它比PetriNet2Vec等现有方法更能抵抗日志偏差。
-
研究论文质疑AI中的表征相似性度量
一篇题为《更好的指标救不了你：比较对象比比较方式更重要》的新研究论文，对RSA和CKA等表征相似性度量的有效性提出了质疑。由Guillaume Wisniewski领导的研究表明，条件分组方式以及哪些输入被纳入，对表征的比较有显著影响，其影响程度往往超过度量本身。研究发现，即使在固定数量的情况下改变比较类别，其影响也大于改变类别的数量，这表明当前的方法可能无法可靠地对不同语言或上下文中的模型进行排名。
-
新 DiDAE 方法通过更快的反事实来解决基础模型漏洞
研究人员推出了一种名为解耦扩散自编码器（DiDAE）的新方法，旨在解决基础模型中的漏洞，例如虚假关联和“聪明汉斯”策略。DiDAE 将一个冻结的基础模型与一个条件扩散解码器集成，通过闭式编辑实现反事实的创建。这种方法比现有方法快得多，速度提高了 2000 倍，并通过反事实知识蒸馏（CFKD）在修复下游分类器方面显示出有效性。该框架可通过开源的 Peal 库进行访问。
-
新的手性Gromov-Wasserstein距离可捕捉形状手性
研究人员引入了一种新的Gromov-Wasserstein目标的多线性泛化，旨在更有效地分析形状数据，特别是手性对象。这个新框架，包括用于 $G = SO(d)$ 的手性Gromov-Wasserstein ($\mathrm{CGW}$) 距离，能够区分形状与其镜像，这是现有度量所缺乏的能力。该团队还开发了计算这些距离的高效算法，包括一个全多项式时间近似方案，并通过数值实验验证了他们的方法。
-
新研究探索跨语言大模型对齐及缓解对齐税 · 追踪4个来源
研究人员正在探索跨不同语言对齐大语言模型（LLMs）的新方法，并缓解性能下降。一项研究调查了单语模型是否可以在没有联合训练的情况下开发通用表征，发现对齐可以从语言结构本身中涌现。另一篇论文介绍了BALIGN，一种通过过滤导致灾难性遗忘的偏好数据来减少“对齐税”的数据选择策略。第三种方法，跨语言排序偏好优化（CRPO），利用英语偏好数据通过优化内部和跨语言偏好来提高其他语言的对齐效果。