跳到主要内容
检索

# 权重编辑

2 篇关联报道

订阅更新
  1. arXiv

    科学反馈也能改权重编辑方案:HypoLoop在Burgers上把相对误差从0.040194降到0.016559

    科学预测模型在实验推进中会不断暴露新的预测误差,而此前的权重编辑往往固定同一批参数、同一套拟合目标。HypoLoop把“改哪些权重”和“误差怎样驱动修改”都交给实验反馈来修订:由固定、数值自适应或大模型引导的策略给出编辑方案,数值求解器算出权重补丁,内部验证挑选部署的预测器。在Burgers任务上,保持可编辑坐标预算不变、只重新分配位置,DeepSeek与Claude下相对误差分别从0.040194降到0.016559、从0.030975降到0.016195。

  2. arXiv

    TensorMutation 不再重训每个变异体:用神经图上的 GNN 预测预训练变异的权重变化

    深度学习变异测试长期在成本与真实性之间取舍:预训练变异体更接近真实故障,却要为每个变异体重新训练模型。TensorMutation 把训练好的模型表示成神经图,用受变异条件约束的图神经网络直接预测参数变化,从而在不重训的情况下生成可执行变异体。在 12 个真实故障对象上,它的行为相似度中位数高于后训练工具 DeepMutation++,差异经 Holm 校正后显著;与预训练工具 DeepCrime 及范数匹配随机对照的差异则不显著。

已读完全部报道