trade-offs | BriefGPT - AI 论文速递

关键词trade-offs

搜索结果 - 38

优先多目标贝叶斯优化
基于偏好的贝叶斯优化（PBO）框架用于优化决策者对可用设计选择的潜在偏好。本文提出了第一个具有多目标的 PBO 框架，并介绍了 dueling scalarized Thompson sampling（DSTS），它是一种流行的 dueli
PDF12 days ago
在线巴累托最优决策中的主动推理
本研究旨在引入一种新颖的多目标强化学习框架，确保任务的安全执行，优化目标之间的权衡，并符合用户的偏好。该框架包含两个主要层次：多目标任务规划器和高层选择器。通过案例研究和基准测试，证明了我们的框架在操作和移动机器人方面优于其他方法，并且能够
PDF15 days ago
联邦学习中的安全、隐私和公平的链接：新的平衡和新的视角
联邦学习中隐私、安全和公平的问题及其相互关系，以及其中的权衡。
PDF16 days ago
MAP: 低计算模型合并与经摊销帕累托前沿的二次近似
通过使用近似评估度量的二次模型，模型合并与分摊了 Pareto 前沿上的多个模型，以反映各种权衡的结果。
PDF21 days ago
效用公平交替及其搜索方法
在构建考虑人口统计公平性的分类系统时，需要满足两个目标：一是在特定任务中最大化效用，二是确保对已知人口统计属性的公平性。然而，这两个目标往往存在竞争，因此在优化两者时可能需要权衡。本文回答了两个问题：一是效用和公平之间的最佳权衡是什么？二是
PDF3 months ago
多目标优化中的平滑切比雪夫标量化
本文通过平滑优化技术，提出了一种新颖且轻量级的光滑 Tchebycheff 标量化方法，用于基于梯度的多目标优化问题，具有良好的理论性质，能够以较低的计算复杂度找到符合有效权衡偏好的所有 Pareto 解。实验结果充分证明了我们提出方法的有
PDF4 months ago
大型语言模型如何在诚实和有帮助性之间进行平衡？
使用心理模型和实验分析了大型语言模型的处理方式，发现强化学习通过人类反馈可提高诚实性和帮助性，而思维链提示则使语言模型偏向帮助性而牺牲了诚实性。最终，GPT-4 Turbo 展现出类似于人类的回应模式，包括对话框架和听者决策背景的敏感性，揭
PDF5 months ago
联邦去学习：稳定性和公平性视角
本文研究了数据异质性下联邦去学习（FU）的多方面影响。我们引入了 FU 评估的关键指标，集中在验证、全局稳定性和局部公平性，并研究其内在的权衡。此外，我们通过优化框架对数据异质性下的去学习过程进行了形式化。我们的主要贡献在于对 FU 中的权
PDF5 months ago
绿色跑者：高效的深度学习组件选择工具
通过大语言模型的推理能力，本研究提出了一种新颖的工具 oolname，可以基于自然语言提供的应用场景自动选择和评估模型，并通过将问题描述中的约束和权衡因素整合到模型选择过程中来实现资源高效的实验引擎。初步评估结果表明，与临时评估和蛮力方法相
PDF5 months ago
子模集约束下的公平性最大化
在机器学习中，基于 matroid 约束的子模最大化是一个具有各种应用的基本问题。最近，已经在有限制条件下的流式和离线设置下考虑了基于基数约束的子模最大化中的公平性，但对于更一般的 matroid 约束问题，只有在流式设置下且只考虑单调目标
PDF6 months ago
下一步是什么？从离散观测中预测哈密尔顿动力学
从离散观测到的向量场出发，我们提出了几种预测 Hamiltonian 系统动力学的方法。每种方法要么知道系统的 Hamiltonian 属性，要么不知道。我们通过实证和比较评估这些方法，观察到了系统是 Hamiltonian 时可以有效地提
PDF7 months ago
IJCAI帕累托前沿之外的探索：多目标优化决策支持方法综述
我们提供了一个综述，统一了多目标优化算法产生的解决方案的决策支持方法。我们提供这个主题的最新进展的概述，包括可视化方法、解决方案集挖掘、不确定性探索以及新兴研究方向，包括交互性、可解释性和伦理。我们综合了来自不同研究领域的这些方法，构建了一
PDF7 months ago
Tied-Lora: 提升 Lora 的参数效率通过权重绑定
我们提出了 Tied-LoRA，这是一个简单的范例，利用权重绑定和选择性训练来进一步提高 Low-rank 适应（LoRA）方法的参数效率。我们的研究包括将可行的参数训练 / 冻结与权重绑定相结合，以寻找性能和可训练参数数量之间的最佳平衡。
PDF8 months ago
多目标强化学习的超参数优化
对多目标强化学习中超参数优化的挑战进行了初步调查，并提出了一种系统性方法来解决这个问题，该方法能够显著提高多目标强化学习代理的性能，并鉴定了未来的研究机会。
PDF8 months ago
关于对抗鲁棒性和可操作解释之间的权衡
机器学习模型在高风险环境中的应用越来越多，确保这些模型的预测不仅具有对抗性鲁棒性，而且能够向相关利益相关方进行解释变得重要。然而，这两个概念是否可以同时实现以及是否存在着它们之间的权衡是不清楚的。在本研究中，我们首次尝试研究对抗性鲁棒模型对
PDF9 months ago
对基于 LLM 的对话代理使用者在披露风险和好处上的导航方式进行研究
建立尊重用户隐私的伦理性大型语言模型对话代理 (LLM-CA) 需要深入了解用户最关心的隐私风险，并解决用户隐私、效用和便利之间的权衡问题。研究发现，用户在使用 LLM-CA 时面临隐私、效用和便利之间的不断选择，但用户对隐私风险的认知受到
PDF9 months ago
机器学习中隐私和公平性的整体调查
隐私和公正是负责任的人工智能和可信机器学习的两个关键支柱。本文对隐私和公正在机器学习中的影响进行了综述，包括有监督学习、无监督学习、半监督学习和强化学习，并提出了同时实现这两个目标时所面临的研究挑战，特别关注大规模语言模型。
PDFa year ago
ICML预测管道解码：实现精确 LLM 解码的运算延迟平衡
本文提出了一种名为 “预测管线解码（PPD）” 的方法，该方法采用额外的计算资源来并行化当前令牌解码期间下一个令牌解码的启动，从而加快了大型语言模型的贪婪解码速度，并降低了解码延迟。
PDFa year ago
自由比特：边缘上混合精度量化神经网络的延迟优化
该论文提出了一种混合精度搜索方法，该方法通过硬件无关的可微分搜索算法和硬件感知优化算法来寻找特定硬件目标上的优化后的混合精度配置，以减少模型大小、延迟并保持统计准确性，该方法在 MobileNetV1 和 MobileNetV2 上进行了评
PDFa year ago
关于锐度感知最小化与对抗鲁棒性的关系
本文提出了一种新的对于锐度感知最小化（SAM）在对抗鲁棒性方面的理解，指出 SAM 和对抗训练（AT）都可以被视为特定的特征扰动，能够提高对抗鲁棒性，但两者在扰动强度上有所不同，换而言之，根据精度和鲁棒性的权衡不同。通过一个严谨的简化模型和
PDFa year ago