C³L 新方法：用语义概念锚定打破持续学习中的解释漂移循环
kbag01 · hf · 2026-10-28
特拉维夫大学团队的论文指出持续学习中被忽视的结构性缺陷「解释漂移」：模型在准确率保持的同时，注意力悄悄从诊断性特征滑向伪相关特征。现有基于像素级显著性的正则会从模型自身冻结的 saliency 图取监督目标，形成自指漂移循环，反而强化伪注意力。提出的 C³L 方法将正则锚定到离线发现的语义概念上，通过「相关性挤占效应」抑制伪相关。
「研究」频道最新
- Cameron Wolfe 长文:如何在主观任务上可靠评测 AI Agent — cwolferesearch · 2026-10-28
- EMNLP 2026 最佳资源论文 XYBench:LLM 只答所问,不答所需 — hyunw_kim · 2026-10-28
- 基因组ML新文件格式：支持GPU直载，兼容JAX/PyTorch — jmschreiber91 · 2026-10-28
- Cortex 检索基准揭示金融 AI 痛点:能找到对的文档,却不知道它是对的 — Exp_Mark · 2026-10-28
- 金融 AI 检索基准 Cortex：正确文档进前十达 92-99%，排第一仅 42-69% — Exp_Mark · 2026-10-28
- Ai2 评测细节：GPT-5.4 判人类点子更新的比例随问法从 93.5% 跌至 40.9% — allen_ai · 2026-10-28