Tahmasebi与Weber提出测试时对称化缩放律
热点事件持续更新
Tahmasebi与Weber提出测试时对称化缩放律
1 篇报道1 个报道来源53 分钟前更新
先了解这件事
AI 综述
Behrooz Tahmasebi 与 Melanie Weber 在 arXiv 论文中提出“测试时对称化”方法:对输入的改写做前向传播,再在改写群 G 上聚合答案。理论上证明对单一表示的重复采样无法替代改写,而 O(log |G|) 次随机改写即可恢复全部 |G| 次改写的信息,且该对数缩放在一般情形下最优。 作者在实验中验证了理论,使用 Qwen2.5-7B、Phi-4-mini、Llama-3.1-8B 和 Qwen2.5-14B 四个模型,结合思维链推理,任务覆盖图推理、逻辑推演和选择题问答。
AI 根据报道生成 · 33 分钟前更新
最新进展11月20日 13:00
测试时对称化:arXiv 论文提出模型无关的结构化学习缩放律报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AI测试时对称化:arXiv 论文提出模型无关的结构化学习缩放律
Behrooz Tahmasebi 与 Melanie Weber 提出测试时对称化方法,对输入改写做前向传播并在改写群 G 上聚合答案。理论上证明单表示的重复采样无法替代改写,而 O(log |G|) 次随机改写即可恢复全部 |G| 次改写的信息且该对数缩放在一般情形最优。
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。