SHIFT-JEV提出分布偏移下的模型适应方案
热点事件持续更新
SHIFT-JEV提出分布偏移下的模型适应方案
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
Muhammad Atif Saeed等提出SHIFT-JEV，用于监测分布偏移、按认证阈值弃答，并通过增益门控决定是否接受模型更新。基准测试结果因模型而异：Qwen3-0.6B持续适应准确率为70.5%，每个随机种子都胜过对比基线；Qwen3-4B则落后基线0.4至1.4个百分点。 在包含10种偏移测试环境的基准中，采用KL锚定和温度缩放微调后，偏移下校准误差从0.289降至0.087。以目标风险10%进行测试时，学习型不确定性评分的认证阈值仍在27组环境与随机种子测试中的3至5组超过目标风险；卡方检验则检测出95%至99%的类别先验偏移。
AI 根据报道生成 · 3 小时前更新
最新进展10月28日 12:00
SHIFT-JEV：分布偏移下 LLM 决策模型的认证弃答与增益门控持续适应报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningSHIFT-JEV：分布偏移下 LLM 决策模型的认证弃答与增益门控持续适应
SHIFT-Jev提出面向分布偏移的 LLM 决策模型监测、弃答和持续适应流程，以认证阈值控制弃答，并通过增益门控决定是否接受模型更新。在基准测试中，微调将偏移下的校准误差从0.289降至0.087；Qwen3-0.6B持续适应准确率达70.5%，且在每个随机种子中均胜过基线。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 810月28日 21:00
- 近 24 小时变化
- –
02468
21:0022:0023:00
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。