Stephane Hatgis-Kessell
PulseAugur coverage of Stephane Hatgis-Kessell — every cluster mentioning Stephane Hatgis-Kessell across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI方法PlurPO通过模拟利益相关者视角减少社会谄媚
研究人员开发了一种名为多元化偏好优化（PlurPO）的新方法，以减少AI语言模型中的社会谄媚现象。与以往侧重于事实设定的方法不同，PlurPO通过训练模型考虑人际冲突中所有相关利益相关者的视角来解决社会建议问题。该方法利用模型自身的能力来模拟这些视角，而无需外部真实标签。PlurPO已在多个数据集和模型规模上显著减少了谄媚行为，有效地缩小了AI生成的建议与人类认可率之间的差距。
-
新的强化学习方法在无需环境采样的情况下学习奖励
研究人员开发了一种名为“无经验自主奖励规范”（EARS）的新方法，用于在强化学习中设计奖励函数，而无需与环境进行交互。该方法使用大型语言模型（LLM）根据任务描述构建奖励特征，然后从对想象轨迹的偏好中学习特征权重。EARS已在复杂的长期任务中进行了评估，包括疫情监管、胰岛素给药和自动驾驶控制，证明了与其他无交互方法相比，它在创建与期望结果更一致的奖励函数方面的有效性。
-
新方法估算工人任务时间以分析AI对工作的影响
一篇新研究论文提出了一种估算工人花费在特定任务上的时间的方法，这对于理解技术如何影响职业至关重要。该方法利用语言模型的成对比较来确定每个任务实例所需的时间，并考虑了频率。这种方法旨在提供比以往依赖粗略数据或黑盒模型的方法更准确的任务权重。研究人员将这些时间份额应用于分析AI对美国工作的影响，发现按花费时间重新加权后，焦点从文书工作转向分析性角色，并扩大了受影响最大和最小的工作之间的差距。