arXiv论文研究MoE专家共享何时改善最终输出
热点事件持续更新
arXiv论文研究MoE专家共享何时改善最终输出
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Tiantong Wang 等在 arXiv 发布论文《From Local Prediction Error to Final Outputs: A Theory of Expert Sharing in Multi-Step Reasoning》,研究多步推理中专家共享带来的局部预测误差降低何时能保留到最终输出。论文在线性回归设定下推导出专家共享与合并的精确准则,并构造出共享降低平均局部误差却增大最终输出误差的案例。 实验显示,在低数据符号任务上训练的 Transformer 在 teacher-forced 单步预测上有统计显著的增益,但自由运行生成的最终输出增益未能获得统计分辨。
AI 根据报道生成 · 3 小时前更新
最新进展11月16日 13:00
MoE 专家共享理论:从局部预测误差到多步推理最终输出的风险分析报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- arXiv cs.AIMoE 专家共享理论:从局部预测误差到多步推理最终输出的风险分析
一篇 arXiv 论文提出多步推理中 Mixture-of-experts(MoE)专家共享的理论分析,研究局部预测误差的降低何时能在最终输出中保留。在线性回归设定下推导出精确的共享与合并准则,并构造出共享降低平均局部误差却增大最终输出误差的案例;实验显示低数据符号任务中训练的 Transformer 在 teacher-forced 单步上有统计显著的增益,但自由运行的最终输出增益未获统计分辨。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1011月16日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。