repair
PulseAugur coverage of repair — every cluster mentioning repair across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的REPAIR方法通过恢复丢失的用户偏好数据来改进个性化编码器
研究人员开发了一种名为REPAIR的方法来解决个性化编码器中有损的用户偏好状态问题。该技术将缓存的表示与当前偏好状态进行比较，以恢复缺失的证据，从而提高推荐任务的性能。REPAIR在各种数据集和推荐系统上展示了MRR和nDCG@10等指标的显著提升，优于仅头部微调。
-
新的REPAIR框架提高了科学检索的准确性 · 跟踪2个来源
研究人员开发了REPAIR，一个新颖的数据增强框架，旨在提高科学信息检索系统的准确性。这个自演进框架解决了长尾概念和科学语料库的事实敏感性带来的挑战，而这些因素常常阻碍密集检索器和LLM的集成。REPAIR通过识别知识差距、通过API指导扩展证据以及通过硬负例挖掘来精炼区分，从而将检索 grounding 在事实现实中，从而迭代地生成训练数据。实验表明，REPAIR在九个材料科学和生物医学基准测试中超越了19个已建立的基线，这突显了对…
-
新的RePair方法通过从模型失败中学习来改进视觉-语言检索
研究人员开发了一种名为RePair的新方法，通过利用模型失败来改进视觉-语言检索系统。RePair识别检索任务中的排名靠前的假阳性，并以此为基础生成反事实难例对。通过最小化修正这些假阳性中的局部语义差异，该方法创建了跨越决策边界的难阳性示例，从而实现更高效的训练。该方法在Flickr30K和COCO30K等数据集上表现出优越的性能，与传统的增强方法相比，所需的合成样本更少。
-
新方法FOCUS和RePAIR对抗剪枝LLM中的文本退化
研究人员开发了两种新方法，FOCUS和RePAIR，以解决剪枝大型语言模型（LLM）中的文本退化问题。LLM剪枝是一种压缩技术，可能会无意中增加重复输出和其他形式的退化，即使整体准确性指标看起来稳定。所提出的方法在令牌级别分析退化，将循环进入和持续作为关键因素。FOCUS旨在通过将蒸馏重新加权到高置信度区域来抑制泄漏，而RePAIR使用特定的连续对来鼓励多样化的输出并防止过早地陷入重复循环。实验表明，这两种技术都能有效减少重复，并提高…
-
新基准 P3Bench 解决了大语言模型的个性化隐私问题
研究人员引入了一个名为 P3Bench 的新基准，以解决大语言模型 (LLM) 中的个性化隐私控制问题。该基准扩展了上下文隐私策略，纳入了用户特定的披露偏好，认识到即使在同一上下文中，个体之间可接受的信息披露程度也可能存在显著差异。实验表明，基于提示的策略在强制执行这些个性化隐私设置方面并不可靠，Qwen2.5-7B 和 Gemma3-4B 等模型表现出很高的策略忽略率。为了克服这一问题，开发了一种名为 Repair 的新颖推理时方法…
-
新的 REPAIR 框架应对长尾分类挑战
研究人员推出 REPAIR，一个新颖的长尾重排框架，旨在提高模型在具有不平衡数据集的分类任务上的性能。与之前对模型 Logits 应用固定偏移量的方法不同，REPAIR 将必要的校正分解为类内和类间组件。这种分解允许更自适应的调整，尤其是在类别的相对排序因输入而异的情况下。在包括文本分类和视觉识别在内的九个基准测试中的实验表明，REPAIR 在类间校正有益的情况下非常有效。
-
新的RePAIR架构通过自监督学习国际象棋概念
研究人员开发了一种名为RePAIR的新型自监督学习架构，它结合了MAE、JEPA和BERT的元素。该架构旨在将序列数据（如国际象棋局面）编码为有意义的表示。在国际象棋中的实验表明，RePAIR可以在没有强化学习的情况下学习概念并推理棋子移动，从而实现对棋局轨迹的直观分析。