Sims
PulseAugur coverage of Sims — every cluster mentioning Sims across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新技术通过放大输出失真来增强生成模型的自训练
研究人员开发了一种名为几何修改输出（GMOs）的新技术，以改进生成模型的自训练。该方法解决了模型退化问题，也称为模型崩溃或自噬障碍，当模型在自身输出来进行持续训练时会发生。通过重新加权生成器输入-输出雅可比行列式的奇异值，GMOs放大了模型的固有偏差和失真，产生了更强的负信号。这种放大的信号增强了Neon和SIMS等现有负引导自训练方法的有效性，与使用标准模型输出相比，性能得到了提升。
-
新的SIMS方法通过解决尺度不变性问题来改进多任务学习
研究人员推出了一种新颖的多任务学习（MTL）方法——基于尺度不变性优值函数的标量化（SIMS）。SIMS解决了现有基于优值函数的标量化方法中存在的尺度敏感性问题，这种问题可能不公平地偏向于幅度较大的目标。通过采用对数变换，SIMS确保优化过程对于不同任务损失的相对尺度具有不变性。理论分析证实，这种变换保持了弱帕累托最优性，并允许使用可控近似误差的光滑替代函数。在各种多任务基准测试中的实证结果表明，SIMS的性能持续超越当前标量化技术，…
-
新方法应对具有未见数据组合的不完整多模态情感分析 · 跟踪 2 个来源
两篇新的研究论文解决了不完整多模态情感分析的挑战，即在测试期间缺少某些数据模态。第一篇论文介绍了对比混合提示学习 (CMPL)，它使用标签引导的对比机制和模态组合提示来提高对未见模态组合的泛化能力。第二篇论文提出了一种迭代代理校正框架，该框架利用非语言模态逐步精炼语言代理，并根据估计的可靠性自适应地将其与观察到的语言表示融合。两种方法在基准数据集上都显示出比现有方法有显著改进。
-
AI影响者在新的欧盟法规下面临不确定的未来
随着新的法规，特别是欧盟《人工智能法案》开始影响其商业模式，AI影响者正面临不确定的未来。这些利用AI工具为品牌合作生成虚拟形象的创作者担心，即将出台的关于AI生成内容需明确标识的规定可能会扰乱他们利润丰厚的职业生涯。虽然一些创作者正在通过拥抱透明度来适应，但不断变化的监管环境给新兴的虚拟影响者市场带来了重大挑战和困惑。