Recursive Feature Machine
PulseAugur coverage of Recursive Feature Machine — every cluster mentioning Recursive Feature Machine across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LLM 激活揭示文本中的概念内容，优于表面分析
研究人员开发了一种新方法，通过分析大型语言模型 (LLM) 的激活来衡量文本中的概念内容，而不仅仅是表面词语的使用。该方法利用线性探测和递归特征机 (RFM) 算法，旨在捕捉 LLM 的内部知识。当应用于涉及环境、社会和治理 (ESG) 因素的金融文本时，线性探测方法在没有任何特定任务训练的情况下，实现了接近微调分类器的准确率。
-
新的 RFM-AGOP 方法可快速识别 LLM 中的拒绝子空间
研究人员开发了一种名为 RFM-AGOP 的新方法，该方法改编了递归特征机算法，以有效地识别大型语言模型中的多维拒绝子空间。该技术可以在几秒钟内查明拒绝有害查询等复杂行为，比现有方法快得多。该方法在 Qwen 3 等推理模型和 Qwen 2.5 等非推理模型上进行了测试，证明了其作为当前子空间提取技术的潜在可扩展补充。
-
新研究推动扩散模型在图像编辑、数据增强和遗忘方面的进展
研究人员正在探索扩散模型的先进技术，重点是改进图像编辑、数据增强和遗忘能力。新方法旨在通过改进ODE求解器和矢量场平滑来提高图像编辑的稳定性和保真度。对于数据增强，正在开发不确定性指导策略，通过关注信息区域来改进语义分割模型。此外，扩散模型遗忘方面的进展正在取得，研究调查了选择性遗忘和使用稀疏自编码器将概念检测与干预分离，旨在获得更清晰的结果并更好地保留模型质量。
-
机器学习中的“grokking”现象需要打破数据对称性来实现泛化
研究人员调查了机器学习中的“grokking”现象，即模型在训练中达到高准确率，但直到很久以后才能泛化到新数据。他们使用递归特征机（RFM）算法在代数任务上进行研究，发现泛化取决于打破训练数据集中特定的对称性。RFM算法似乎通过恢复数据中固有的不变性群作用来实现这一点，学习到的特征矩阵编码了该不变性群的元素，从而解释了对称性与泛化之间的联系。