跳到主要内容
检索

National Research Council

4 篇关联报道

订阅更新
  1. arXiv

    换掉 Adam 就能少忘旧任务:STABLE 在 100 任务流上把同一套 LoRA 的平均准确率从 0.66% 拉到 73.12%

    持续学习中的遗忘常被归因于回放、正则或架构改造,STABLE 改从优化器入手:它把参数偏离上一任务解的距离当作预算,越界就加大拉回强度,回到预算内就放松。在 ImageNet-R 的 100 任务流上,同一套 LoRA 从 Adam 的 0.66% 平均准确率变为 73.12%,平均遗忘从 60.22% 降到 10.17%;CLIP 多模态流上零样本迁移也保持在预训练水平附近。

  2. arXiv

    多保真优化不再让低保真抢预算:DTMB 5415 船体在限定预算下阻力降幅超过单保真基线

    多保真主动学习把“在哪里采样”和“用哪一档保真度”合并成一次决策,而不是先定位置再定保真度。MF-CAS 用分解后的不确定性区间衡量每个候选点的高保真改进机会与获取成本,在 14 维约束 DTMB 5415 船体水动力优化、100 等效高保真评估的预算下,阻力降幅超过单保真 LCB 基线,而多保真 LCB 基线相对初始设计几乎没有改善。

  3. arXiv

    知识库从人的决定里长出来:iRAG在40%漂移下把最终决策错误压到低于无控制器基线

    iRAG把检索增强生成的知识库从预先编译的文档改成由人类历次决定逐条累积的先例库,并让系统随可靠性估计从静默观察、到有证据地质疑、再到有条件自主处理。在模拟客服工单上,10%漂移时它与独立的无控制器RAG延迟基线最终决策错误相当,40%漂移时所有配置都更低;检索衰减降低漂移工单错误却抬高稳定工单错误,说明这是稳定性与可塑性的交换而非普遍优势。

  4. Scientific Reports

    无监督模型在波罗的海识别出物种丰富热点区同时受底层缺氧与捕捞压力威胁

    该研究提出一个以风险为环境、人为与生物胁迫因子交互涌现属性的数据驱动评估框架,将基于聚类的 Multi K-means 与基于变分自编码器的深度学习模型结合,对2020年波罗的海中部与西部多源数据及145个海洋物种(含商业相关物种与鳕鱼)丰度信息进行分析,在物种丰富区域识别出底层缺氧、深度相关限制与捕捞压力共同出现的高度集中风险热点,并通过跨模型一致性分析显示两模型结果既一致又互补。

已读完全部报道