跳到主要内容
检索

Purdue University West Lafayette

17 篇关联报道

订阅更新
  1. arXiv

    ARoute把模型路由改成先判后调:同等成本下15个任务-成本设置平均高出最强基线4.1个百分点

    ARoute把“该不该升级到强模型”和“升级要多花多少钱”都从查询文本本身预测,在调用任何模型之前就决定用哪个模型。它用一小批成对记录训练两个轻量预测头,共享一个冻结的BERT编码器。在MMLU-Pro、LiveCodeBench、SuperGPQA和两个SWAN取值填充任务上,ARoute-Batch在全部15个任务-成本设置中取得最高平均准确率,比最强基线平均高4.1个百分点、最多高11.9个百分点,且批量完成时间最多比级联快2.8倍。

  2. bioRxiv

    基因在注意力里不再按序号排队:SPEAR把共表达几何与扰动后重定位写进旋转角

    单细胞扰动预测的Transformer需要给基因一个位置,但基因没有天然顺序,静态共表达掩码又无法反映扰动引起的调控重连。SPEAR把每个基因的位置改为共表达图拉普拉斯给出的连续坐标,并在每一层由扰动条件下的隐状态重新推导标量位置,两者相加成一个旋转角。在遗传、药物和细胞因子扰动基准上,SPEAR在差异表达方向与幅度等指标上优于包括scDFM在内的基线,并在留出组合上取得最大差距。

  3. arXiv

    只看开头一小段视频,也能排出后续动作:符号图把厨房常识接进预测,3M参数模型在短观察下领先

    SymAnt把场景图与知识图谱合并成一张联合图,用图搜索得到的符号上下文作为迭代解码的起点,从而在很短的观察窗口内预测较长的动作序列。在Breakfast与50 Salads的短观察设置中,它的平均类别准确率高于神经符号基线NeSCA和若干大模型基线;在EPIC-KITCHENS上,3M参数的模型与参数量达数十亿的微调大模型处于相近水平。由于预测锚定在可编辑的图上,用户可以在推理时增删节点来改变预测,无需重新训练。

  4. researchsquare.com

    量子DeepONet装上保形校准:隐藏层深度降到近线性,覆盖率贴着90%目标

    量子DeepONet集成把算子学习的隐藏层代价从稠密层的平方级压到近线性,并首次给出有限样本、不依赖分布的查询平均覆盖率下界。此前量子算子学习只输出带噪点预测,贝叶斯网络与蒙特卡洛丢弃又给不出无分布保证。做法是用量子正交神经网络替换稠密隐藏层,再对独立训练集成的均值与标准差做分裂保形校准。合成反导数与平流基准上相对L2误差为0.46%与2.28%,8模型集成覆盖率92.13%与88.99%,目标为90%。

  5. arXiv

    LLM贝叶斯微调里梯度噪声呈状态依赖重尾:几何中位数中心化加残差裁剪,非对数凹采样仍拿到Fisher信息保证

    在LLM与视觉语言模型的贝叶斯LoRA微调中,小批量梯度误差呈重尾且随离最终迭代的距离增大,几何中位数中心化加残差裁剪的稳健估计器与自适应步长结合后,在非对数凹目标上仍给出非渐近的Fisher信息收敛保证。

  6. arXiv

    教师监督不再逐词照搬:按对奖励的影响加权,数学基准最高涨6.5个百分点

    蒸馏教师模型的监督信号时,不再对每个词一视同仁,而是先估计该词对更新后奖励的影响再决定权重。此前的方法依赖不确定性或师生分歧这类代理指标,未必对应真正提升奖励的监督。RAD用一次临时优化步做可微打分,再以投影上升更新词权重,在相同训练响应预算下把六个竞赛数学基准的平均准确率对Qwen3-1.7B提升6.5个百分点、对Qwen3-4B-Instruct-2507提升2.5个百分点,并在LiveCodeBench-v6上取得54.69%与58.67%的pass@1。

  7. arXiv

    两阶段门控审计框架在OpenAgentSafety上以72.8%检出率将LLM审计次数从8.15降至2.33

    该工作提出一个两阶段LLM智能体监控框架:第一阶段用单事件与轨迹序列规则筛选待审动作,第二阶段由LLM审计智能体结合前置轨迹在执行前判定该动作是否有害,并用优化器LLM联合精炼门控规则与审计提示。在OpenAgentSafety测试集上,调优后的门控审计把平均审计次数从8.15降到2.33、token从47.8k降到14.6k,检出率72.8%(全量审计为81.5%),假阳性率5.9%(全量审计为11.8%);在两个模拟多智能体场景中,框架标记了全部攻击运行,同时把审计token用量降低80%以上。

  8. arXiv

    EDiS 将图一次性分解为可缓存的边不相交子图,在 19 个节点分类基准上以相同边预算取得最高平均分

    EDiS 把图结构提取与每轮训练图组合分离:先用基于特征的分数和逐次最大分数覆盖森林把图一次性分解为可缓存的边不相交子图,再在每个 epoch 按边预算约束重新组合出训练图,无需重新提取结构;在 19 个同质、异质和大规模节点分类基准、相同边预算下与 17 个基线比较,EDiS-Lite 取得最高平均基准分与最低平均排名和差距。

  9. arXiv

    普渡大学团队提出协变量依赖的CR-MRF联合模型,在MovieLens上比Bradley-Terry与Plackett-Luce更准确地预测成对偏好

    作者提出协变量依赖的连续比率马尔可夫随机场(CR-MRF)模型,对多元有序评分进行联合建模,并证明Bradley-Terry与Plackett-Luce等比较模型是其独立性与指数竞赛限制下的特例;他们用重要性采样估计难解归一化常数实现最大似然推断,在模拟与MovieLens数据上,直接建模有序评分比先转成成对或列表胜负再拟合比较模型能给出更准、更校准的偏好预测。

  10. arXiv

    普渡大学提出免训练单样本分割框架,在池沸腾图像上将平均IoU较最强基线提升33.36个百分点

    该工作提出一种免训练的单样本科学图像分割框架,用一张带标注的参考图像将冻结的DINOv3与SAM组合起来:先以参考图像背景估计背景方向,对DINOv3的patch特征做背景自适应正交投影以抑制伪影方向,再用余弦相似度定位候选区域并生成提示交给SAM分割;在红细胞显微、结构光照池沸腾与胸部X线三类数据上评估,红细胞显微平均IoU较最强基线GF-SAM高5.15个百分点,池沸腾较INSID3高33.36个百分点,胸片与SAM2相当。