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…
研究
4566件
深層CNNにおけるアーキテクチャトポロジーと学習可能性の関係：有効深度のパラドックス
深層CNNのアーキテクチャトポロジーが画像認識性能と学習可能性にどう影響するかを研究しました。
AdaCorrection：拡散トランスフォーマーのための適応型オフセットキャッシュ補正
拡散トランスフォーマーの画像・動画生成における推論速度を向上させる新手法「AdaCorrection」が発表され…
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…
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。
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…
時系列政策決定における計量経済学と因果構造学習の比較：英国COVID-19政策からの考察
時系列データを用いた政策決定支援のため、計量経済学と因果機械学習の手法を比較評価しました。
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。