arXiv论文提出CIGA鲁棒数据选择框架
热点事件持续更新
arXiv论文提出CIGA鲁棒数据选择框架
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Jia Gu 等人在 arXiv 发布论文（arXiv:2610.36755），提出 Content-Invariant Gradient Attribution（CIGA）框架，用于大语言模型指令微调的数据选择。论文称，现有全局梯度归因方法存在对表层形式的偏差，CIGA 先筛选在语义保持扰动下梯度稳定且有影响力的层以降低格式噪声，再将归因信号与语义表示动态融合。 论文中的多基准实验显示，CIGA 的数据排名更稳定、平均性能更优，并降低了归因成本。这些为论文作者的实验结果，尚未经第三方独立验证。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
基于 Content-Invariant Gradient Attribution 的 LLM 鲁棒数据选择方法 CIGA报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv cs.AI基于 Content-Invariant Gradient Attribution 的 LLM 鲁棒数据选择方法 CIGA
arXiv 论文提出 Content-Invariant Gradient Attribution（CIGA），解决现有全局梯度归因方法在指令微调数据选择中的表层形式偏差问题。CIGA 先筛选在语义保持扰动下梯度稳定的层以降低格式噪声，再将其归因信号与语义表示动态融合。多基准实验显示 CIGA 排名更稳定、平均性能更优，并降低了归因成本。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。