该论文研究了一种名为 Hydra 的适应方法，它基于并行和顺序适应支路学习到了新的和通用的特征，在 fine-tuning 过程中能够探索更广泛的最优点范围。此外，该方法还利用预训练权重经过线性组合来明确 leverages the pre-trained weights 的适应方法，并改善了学习特征在不同下游任务中的泛化性能。通过一系列实验证明了 Hydra 方法的高效性和卓越性能，并展示了它在各种应用中的潜在影响和效果。

Sep, 2023

HYDRA 是一个多阶段动态组合视觉推理框架，利用大规模数据集和语言模型进行可靠且递增进化的推理，表现出了在各种视觉推理任务上的最新性能。

Mar, 2024

通过将 Reinforcement Learning from Human Feedback (RLHF) 转变为 Reinforcement Learning from Personalized Human Feedback (RLPHF)，通过多目标强化学习问题的建模，可以实现 LLMs 与个人偏好的个性化对齐。通过将偏好维度进行分解，并在分布式环境中独立有效地进行训练，最后通过参数合并有效地实现多维度的个性化对齐。

Oct, 2023

本文提出了 HYDRA 算法，用于解释深度神经网络（DNN）的预测结果，评估训练数据对于测试数据点的贡献，并实验证明 HYDRA 相较于影响函数，能更准确地估计数据贡献和检测噪声数据标签。

Feb, 2021

通过引入 Persona-DB 框架，本文从一个新的角度考虑数据如何更好地表示，以实现对大型语言模型 (LLMs) 定制过程中更高效的检索，同时在多个实验中展示了 Persona-DB 在任务上下文中的泛化能力和在冷启动情况下的显著改进。

Feb, 2024

本文提出了一种名为 PALR 的新框架，旨在将用户历史行为与大型语言模型相结合，生成用户喜欢的商品。实验结果表明，与现有方法相比，我们的解决方案在各种连续推荐任务上表现优异。

May, 2023

将用户配置文件表示为可读性较强的文本，在冷启动环境下提供更准确的推荐方法和更短的模型输入长度。

Feb, 2024

提出了一种名为 HYDRA 的框架，通过引入视觉推理、任务选择和行动执行模块，以及一种新颖的元推理过程，使模型引导的 agent 能够在混合离散 - 连续环境中自动检测、理解并适应其演化，实现对复杂环境的闭环交互。

Jun, 2023

通过使用离线总结和运行时检索，我们提出了一种新颖的基于总结的方法，扩展了基于检索的个性化，以实现更好的实时系统性能，并在实际约束下取得了更好的个性化性能。

Oct, 2023

发展个性化语言模型的方法，结合用户模型和语言（或奖励）模型的学习目标，对个性化语言模型进行强化学习，以更好地满足用户偏好。

Feb, 2024