勾配保存の観点から見たRLVRにおける柔軟なエントロピー制御
LLMの推論能力向上に用いられるRLVRにおいて、エントロピー崩壊を抑制する新しい制御メカニズムが提案され…
AI&Tech、もう追いかけなくていい。
30秒で読めるニュースダイジェスト
LLM
3265件
VESPO：安定したオフポリシーLLM学習のための変分シーケンスレベルソフト方策最適化
大規模言語モデル（LLM）のオフポリシー強化学習において、高い分散を抑え安定した学習を可能にする新手法…
非凸最適化のための統一フレームワーク：γ-弱θ-アップ凹性
機械学習や組合せ最適化における非凸関数の最適化を統一的に扱う新しいフレームワークが提案されました。
Goldilocks RL：推論のための疎な報酬から脱却するタスク難易度調整
強化学習において、言語モデルの推論能力向上を目的とした新しいデータサンプリング戦略「Goldilocks」が…
ScrapeGraphAI-100k: スキーマ制約付きLLM生成のためのデータセット
スキーマ制約付きLLM生成のための大規模データセット「ScrapeGraphAI-100k」が公開されました。
大規模言語モデルによるマルチエージェント学習アルゴリズムの発見
LLMがマルチエージェント強化学習の新しいアルゴリズムを自動で発見しました。
方向転換型影響監査がLLMの倫理的選択における隠れた構造を明らかに
LLMの倫理的選択が文脈によって大きく変化し、その隠れた構造が明らかになりました。
状態ごとのミラー降下を超えて：パラメトリックポリシーによるオフライン方策最適化
オフライン強化学習において、大規模または連続的な行動空間を持つパラメトリックポリシーの理論的保証が…
文脈依存型可逆世界モデル：結腸直腸がん薬物応答のためのニューロシンボリックエージェントフレームワーク
結腸直腸がんの薬物応答予測に、機械学習とLLMを統合した新しいAIフレームワークが開発されました。
マルチ画像理解タスクにおける推論VLMの「パルス」現象と改善策
マルチ画像理解タスクで、推論VLMが画像に散漫な注意を向ける「パルス」現象が発見されました。
多言語知識の一貫性を最適化する言語モデル
大規模言語モデルの多言語間での知識の一貫性の問題を、強化学習で改善する手法が開発されました。
「正確な方が簡単」：協調型LLMエージェントにおける貢献度評価
協調型LLMエージェントの貢献度を正確に評価する新しい手法「C3」が開発されました。