Scaling Instruction-Based Video Editing with a High-Quality Synthetic Dataset
HKUST(香港科技大学);Ant Group(蚂蚁集团);Zhejiang University(浙江大学);Northeastern University(东北大学)
Ditto通过高效数据生成管道和智能代理,构建大规模高质量数据集,提升基于指令的视频编辑性能。
2025-12-17 cs.CV
DALDA: Data Augmentation Leveraging Diffusion Model and LLM with Adaptive Guidance Scaling
Pukyong National University(釜山国立大学);Teamreboott Inc.(Teamreboott公司);Tomocube Inc.(Tomocube公司)
提出DALDA数据增强框架,结合LLM和扩散模型,通过动态调整引导权重控制多样性,在少样本场景下生成语义丰富且符合目标分布的合成图像。
2024-09-25 cs.CV
Sparrow: Data-Efficient Video-LLM with Text-to-Image Augmentation
USTC(中国科学技术大学);NJU(南京大学);THU(清华大学);XMU(厦门大学)
Sparrow 针对视频大语言模型数据规模扩展中指令多样性不足导致学习效率低的问题,提出从纯文本指令合成视频样本来增强训练,在更少样本下实现与大规模训练相当甚至更优的性能,并提升长视频理解能力。
2025-07-22 cs.CL cs.CV cs.LG
Learning with Synthetic Data via SGD in High-Dimensional Linear Regression
Renmin University of China(中国人民大学);The University of Hong Kong(香港大学)
本研究通过高维线性回归中的SGD分析,发现混合训练合成数据导致模型崩溃,而两阶段训练可避免此问题,并提供了风险界、缩放定律及两阶段训练优于纯真实训练的充要条件。
2026-09-10 cs.AI cs.LG stat.ML
A Note on Generalization in Variational Autoencoders: How Effective Is Synthetic Data & Overparameterization?
AI Center Tübingen(蒂宾根人工智能中心);University of Tübingen(蒂宾根大学)
本文从深度学习视角研究合成数据与过参数化对变分自编码器泛化能力的影响,发现两者均能有效缓解过拟合,提升模型的泛化、摊销推断及鲁棒性表现。
2024-12-22 cs.CV cs.LG stat.ML
Synthetic Curriculum Reinforces Compositional Text-to-Image Generation
Southeast University(东南大学);Xiaohongshu Inc.(小红书公司);Monash University(墨尔本大学);Shanghai Jiao Tong University(上海交通大学);Anhui University(安徽大学)
CompGen通过课程强化学习框架提升文本到图像生成的组合能力,采用场景图和自适应采样算法优化模型性能。
2025-11-23 cs.CV
Puppet-Master: Scaling Interactive Video Generation as a Motion Prior for Part-Level Dynamics
Visual Geometry Group, University of Oxford(牛津大学视觉几何组)
本文提出Puppet-Master,一种基于拖拽交互的视频生成器,通过all-to-first attention和Objaverse-Animation-HQ数据集微调,实现物体部件级运动生成,并在真实图像上零样本超越现有方法。
2025-08-28 cs.AI cs.CV
Pattern Search Multidimensional Scaling
National Technical University of Athens(雅典国立技术大学);Columbia University in the City of New York(纽约市哥伦比亚大学)
我们提出了一个新的观点,非线性流形学习使用导数自由优化技术。具体来说,我们提出了一个扩展的经典多维缩放(MDS)的方法,而不是执行梯度下降,我们采样和评估可能的“移动”在一个球体的固定半径的嵌入空间中的每个点。一个固定点的收敛保证,可以通过制定所提出的算法作为通用模式搜索(GPS)框架的一个实例。在干净的和有噪声的合成数据集上的评估表明,模式搜索MDS可以准确地推断嵌入在高维空间中的流形的内在几何。此外,对真实数据的实验,即使在嘈杂的条件下,表明所提出的模式搜索MDS产生国家的最先进的结果。
2019-10-31 cs.LG stat.ML
ScaleEdit-12M: Scaling Open-Source Image Editing Data Generation via Multi-Agent Framework
Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室);CUHK MMLab(香港中文大学多模态实验室);Fudan University(复旦大学);University of Science and Technology of China(中国科学技术大学);Xiamen University(厦门大学)
本文提出ScaleEditor框架,通过多智能体方法构建大规模高质量图像编辑数据集,生成ScaleEdit-12M,涵盖23类任务,提升多种编辑模型性能。
2026-03-24 cs.CV
Efficiently Estimating Optimal Hyperparameter Scaling Laws through Power-Law Entropy Search
Meta;National University of Singapore(新加坡国立大学);Atomic Machines(原子机器公司)
该研究提出幂律熵搜索(PLES),一种基于多保真度贝叶斯优化的获取函数,可高效估计LLM的最优超参数缩放定律,其计算预算仅为传统网格搜索的十分之一。
2026-10-16 cs.AI cs.LG
A Tale of Tails: Model Collapse as a Change of Scaling Laws
Meta FAIR;Center for Data Science, New York University(纽约大学数据科学中心);School of Mathematical Sciences, Peking University(北京大学数学科学学院);Courant Institute, New York University(纽约大学柯朗研究所)
本文研究合成数据进入训练语料库后缩放定律的变化,通过理论框架分析模型崩溃现象,并在算术任务和文本生成的大规模实验中验证了理论。
2024-05-31 cs.AI cs.CL cs.LG
Data-efficient pre-training by scaling synthetic megadocs
Stanford University(斯坦福大学)
本文研究如何通过生成更长的合成巨文档提升预训练效果,发现其在降低损失和提升基准准确率方面优于简单重述,数据效率从1.48倍提升至1.80倍。
2026-03-19 cs.LG
Synthetic Mixed Training: Scaling Parametric Knowledge Acquisition Beyond RAG
Stanford University(斯坦福大学);MIT(麻省理工学院);University of Washington(华盛顿大学)
本文提出合成混合训练方法,结合合成问答和文档,通过互补训练信号提升模型性能,在QuaLITY基准上实现4.4%的相对提升。
2026-03-30 cs.AI cs.LG
Improving the Scaling Laws of Synthetic Data with Deliberate Practice
FAIR at Meta(Meta FAIR研究院);Mila(米拉计算科学研究所);McGill University(麦吉尔大学);Concordia University(康考迪亚大学)
受人类刻意练习启发,提出合成数据生成DP框架,通过动态直接生成高信息量样本改善缩放定律,在ImageNet数据集上以更少样本和迭代实现更优性能。
2025-02-21 cs.AI cs.LG
Motion Capture is Not the Target Domain: Scaling Synthetic Data for Learning Motion Representations
Department of Statistics University of Oxford(统计系牛津大学);Big Data Institute University of Oxford(大数据研究所牛津大学);Nuffield Department of Population Health Big Data Institute University of Oxford(人口健康系大数据研究所牛津大学)
本文研究了通过合成数据预训练动作表示在真实场景中的迁移效果,发现混合真实数据或足够规模时能提升泛化能力,但大规模动作捕捉预训练因领域不匹配效果有限。
2026-02-11 cs.LG
Training Large Language Models for Small-Molecule Design with Synthetic Task Scaling
Prescient Design, Genentech(普雷赛特设计公司,基因泰克)
该研究提出通过基于课程的合成任务缩放策略训练LLM,使其在高成本的基于结构的小分子先导优化任务上性能优于更大的前沿模型,为适配高成本实验场景提供了有效方法。
2026-09-07 cs.LG
PluRel: Synthetic Data unlocks Scaling Laws for Relational Foundation Models
Stanford University(斯坦福大学);SAP Labs LLC(SAP实验室)
PluRel通过合成多表关系数据库,实现了关系基础模型在扩展定律上的突破,展示了合成数据在提升模型泛化能力方面的潜力。
2026-07-15 cs.AI cs.DB cs.LG
Demystifying Synthetic Data in LLM Pre-training: A Systematic Study of Scaling Laws, Benefits, and Pitfalls
FAIR at Meta(Meta 的 FAIR)
该研究通过大规模实验系统探究合成数据在LLM预训练中的作用,明确不同类型合成数据、混合比例、模型规模等对训练效果的影响,为合成数据的合理应用提供实践指导。
2025-10-02 cs.AI cs.CL cs.LG
SynLexLM: Scaling Legal LLMs with Synthetic Data and Curriculum Learning
Georgia Institue of Technology(佐治亚理工学院)
针对法律领域数据匮乏与通用预训练不足的问题,提出SynLexLM方法,结合课程学习与Gemini Pro合成数据增强预训练法律LLM,旨在提升BigLaw-Bench等基准性能并普及法律AI。
2025-04-29 cs.CL cs.LG
A Deep Dive into Scaling RL for Code Generation with Synthetic Data and Curricula
University of Tübingen(图宾根大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
本文提出多轮合成数据生成流程,通过教师模型迭代优化问题难度,提升代码生成性能,并系统研究任务难度、课程调度和环境多样性对强化学习训练的影响。
2026-03-25 cs.AI cs.LG
Scaling Synthetic Data Creation with 1,000,000,000 Personas
Tencent AI Lab(腾讯AI实验室)
本文提出利用 LLM 内部多元视角的人格驱动数据合成方法,并构建包含 10 亿人格的 Persona Hub,以大规模生成数学推理、指令、知识文本、游戏 NPC 和工具等多样化合成数据,推动合成数据范式变革。
2025-05-08 cs.CL cs.LG
BeyondWeb: Lessons from Scaling Synthetic Data for Trillion-scale Pretraining
DatologyAI
针对LLM预训练单纯扩数据量遇数据墙的问题,提出合成数据生成框架BeyondWeb,其生成的合成数据在14项基准评估中优于Cosmopedia等现有数据集,训练速度更快,还得出合成数据质量优化的关键见解。
2025-08-19 cs.CL cs.LG
ReSyn: Autonomously Scaling Synthetic Environments for Reasoning Models
Carnegie Mellon University(卡内基梅隆大学);Amazon Web Services(亚马逊网络服务)
ReSyn通过生成多样化推理环境,利用验证器监督和任务多样性提升推理语言模型的推理能力。
2026-02-23 cs.AI cs.LG
FineInstructions: Scaling Synthetic Instructions to Pre-Training Scale
University of Pennsylvania(宾夕法尼亚大学);University of Toronto(多伦多大学);Vector Institute(向量研究所)
研究针对大语言模型监督训练数据有限的问题,提出将互联网规模预训练文档知识转化为合成指令和答案训练对的程序,生成FineInstructions数据集,经实验验证该方法在预训练中表现优于其他技术。
2026-08-03 cs.CL cs.LG
Genetic Instruct: Scaling up Synthetic Generation of Coding Instructions for Large Language Models
NVIDIA
提出Genetic-Instruct,一种基于进化原理的可扩展算法,从种子指令合成大规模高质量编码指令,通过三个LLM协作生成,微调后显著提升代码生成能力。
2025-05-22 cs.CL cs.LG cs.NE
Scaling Cheap Synthetic Pretraining Improves Indoor Radio-Map Prediction
YerevaNN(耶列瓦神经网络研究所);Yerevan State University(埃里温国立大学);Institute of Informatics and Telematics, National Research Council(意大利国家研究委员会信息与电信研究所)
本文提出自动生成室内布局的生成器与开源近似射线追踪器,生成1.28亿合成样本预训练ResNet-101等模型,在五项任务中使预测误差平均降低15%,验证了低成本合成预训练可提升室内无线电地图预测性能。
2026-10-13 cs.AI cs.LG
UI-Oceanus: Scaling GUI Agents with Synthetic Environmental Dynamics
Key Lab of HCST (PKU), MOE(高可信软件技术教育部重点实验室(北京大学);北京大学计算机学院);School of Computer Science, Peking University(北京通明湖信息技术应用创新中心);Beijing Tongming Lake Information Technology Application Innovation Center(腾讯微信);WeChat, Tencent Inc.(西蒙菲莎大学);Simon Fraser University(德克萨斯大学达拉斯分校);University of Texas at Dallas(复旦大学系统与先进计算研究所);Fudan University Institute of Systems for Advanced Computing(上海开放计算系统研究所);Shanghai Institute of Systems for Open Computing
本文提出UI-Oceanus框架,通过地面真实环境反馈掌握交互物理,解决GUI代理扩展中的数据瓶颈问题,实验表明其在离线和在线导航中均优于基线方法。
2026-02-11 cs.AI cs.LG
PolyGen: Fully Synthetic Vision-Language Training via Multi-Generator Ensembles
Politecnico di Milano, AIRLab(米兰理工学院,AIRLab);University of Tokyo, Computer Vision and Media Lab(东京大学,计算机视觉与媒体实验室)
PolyGen通过多生成器集合提升合成数据的视觉-语言预训练效果,实现更稳健的特征空间和更高的多任务性能。
2026-02-01 cs.AI cs.CV cs.LG
A New Path: Scaling Vision-and-Language Navigation with Synthetic Instructions and Imitation Learning
Google Research(谷歌研究院);New York University(纽约大学);Carnegie Mellon University(卡内基梅隆大学);Apple(苹果公司)
本文提出利用合成导航指令和GAN生成新视角图像构建大规模VLN数据集,并通过模仿学习训练Transformer智能体,在RxR上显著超越现有RL方法。
2023-04-17 cs.CL cs.CV cs.LG
Mechanistic Design and Scaling of Hybrid Architectures
Together AI;Stanford University(斯坦福大学);Hessian AI;RIKEN(理化学研究所);Arc Institute;CZ Biohub;Liquid AI
本研究提出端到端机制架构设计(MAD)流程,基于小规模合成任务测试预测扩展定律,发现的混合架构在70M-7B参数规模下优于Transformer++等主流架构,验证了合成任务对架构扩展性能的预测价值。
2024-08-19 cs.LG
Think, Prune, Train, Improve: Scaling Reasoning without Scaling Models
Department of Computer Science, Stanford University(计算机科学系,斯坦福大学)
提出思考-剪枝-训练迭代框架,利用自生成推理轨迹和真实标签剪枝提升模型性能,在GSM8K上使小模型达到大模型水平,甚至超越GPT-4o。
2025-04-25 cs.LG
Synthetic Benchmarks Overstate Forward-Forward Scaling: Real-Data Limits of Layer-Local Training
Amplimit
通过DTG-FF方法在真实数据上评估前向-前向学习的扩展性,发现其与反向传播的差距随类别数增加而扩大,合成任务高估了其迁移能力,且内存优势不成立。
2026-10-08 cs.AI cs.CV cs.LG
Synthetic Oversampling: Theory and A Practical Approach Using LLMs to Address Data Imbalance
Harvard University(哈佛大学);University of California, Berkeley(加州大学伯克利分校);Rutgers University(罗格斯大学)
本文利用大语言模型理论和实践方法,提出解决数据不平衡问题的新理论框架,并通过实验验证合成过采样在提升模型性能方面的有效性。
2026-02-08 cs.LG stat.ML
Synthetic-to-Real Object Detection using YOLOv11 and Domain Randomization Strategies
MIT-KIT, Germany(MIT-基尔特研究所,德国)
本文研究仅用合成数据和域随机化训练YOLOv11检测汤罐,发现提高数据多样性并调优增强可弥合合成到真实域差距,最佳YOLOv11l模型在Kaggle隐藏测试集上mAP@50达0.910。
2025-09-18 cs.CV cs.LG
SynthTools: A Framework for Scaling Synthetic Tools for Agent Development
提出基于LLM的端到端管道SynthTools,通过环境生成、模拟、验证和任务构建,生成大规模多样化工具使用环境,提升智能体工具使用能力。
2026-05-26 cs.AI cs.LG cs.SE
StereoEngine: Scaling Stereo Bimanual Robot Data without Stereo Cameras
University of Southern California(南加州大学)
针对机器人操纵领域大规模真实立体数据集稀缺的瓶颈,提出StereoEngine,通过两种互补方法合成立体数据,其生成数据可提升双机械臂操纵性能
2026-10-12 cs.CV cs.LG cs.RO
DeepPersona: A Generative Engine for Scaling Deep Synthetic Personas
UCSD(加州大学圣地亚哥分校);KU Leuven(鲁汶大学);SJTU(上海交通大学);University of Michigan(密歇根大学);Denison University(德尼森大学);Amazon(亚马逊);Meta
DeepPersona通过双阶段分类学引导方法生成深度合成人设,提升LLM个性化和人类模拟的准确性与多样性。
2025-11-30 cs.AI cs.LG
GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training
MIT CSAIL;Tsinghua University(清华大学)
本文提出GeoPT,一种基于提升几何预训练的通用物理模拟预训练模型,通过合成动态增强几何,实现动态感知的自监督学习,从而提升物理模拟的效率和效果。
2026-05-20 cs.LG
Contrast-invariant deep ptychography neural networks
Argonne National Laboratory(阿贡国家实验室);SLAC National Accelerator Laboratory(SLAC国家加速器实验室);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
针对叠层成像神经网络分布外泛化时的缩放不一致问题,提出分解策略与合成物体采样策略,在5个实验数据集上将傅里叶误差较PtychoPINN-torch基线降低最多5倍,提升了其实际应用可行性。
2026-08-05 cs.LG
Scaling Online Complex Event Detection with Synthetic Supervision and Mamba-Based Neural Algorithmic Reasoning
University of California, Los Angeles(加州大学洛杉矶分校);University of Brescia(布雷西亚大学);Hong Kong University of Science and Technology(香港科学与技术大学);US Army DEVCOM Army Research Laboratory(美国陆军 DEVCOM 军事研究实验室);Amazon(亚马逊)
针对在线复杂事件检测的规则学习瓶颈,提出NAROCE框架,利用合成轨迹预训练Mamba推理器并适配传感器数据,在压力测试中优于基线且大幅降低标注与计算需求。
2026-09-14 cs.AI cs.LG
Harnessing Synthetic Datasets: The Role of Shape Bias in Deep Neural Network Generalization
ETH Zürich(苏黎世联邦理工学院)
本研究探讨合成数据训练中神经网络的形状偏好,发现其因架构和监督类型而异,不可靠地预测泛化,并提出将其作为估计数据集多样性的新工具。
2023-11-10 cs.AI cs.CV cs.LG
CauKer: Classification Time Series Foundation Models Can Be Pretrained on Synthetic Data
Université Paris Cité(巴黎大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
CauKer通过生成因果一致的合成时间序列数据,实现对分类时间序列基础模型的样本高效预训练。
2026-03-09 cs.AI cs.LG
Scaling Ambiguity: Augmenting Human Annotation in Speech Emotion Recognition with Audio-Language Models
University of Melbourne(墨尔本大学);Xi'an Jiaotong University(西安交通大学)
本文通过音频-语言模型生成合成标注,提升语音情感识别中模糊情感的真实分布可靠性,实验表明合成标注在低歧义区域效果显著,但高歧义情况需进一步优化。
2026-01-21 cs.AI cs.LG cs.SD
ScalePRM: Training Process Reward Models by Scaling Verification Compute Without Ground Truth
Amazon AGI(亚马逊人工智能实验室);UCLA(大学)
SPARK提出一种无参考强化学习框架,通过生成和验证模型提升过程奖励模型性能,在数学推理任务中取得优于真实参考的方法的成果。
2026-09-01 cs.AI cs.CL cs.LG
OnlineSTL: Scaling Time Series Decomposition by 100x
Splunk(Splunk公司);Pinecone(Pinecone公司)
将复杂的时间序列分解为趋势、季节性和剩余分量是一个重要的原语,它有助于时间序列异常检测、变点检测和预测。虽然已知许多批处理算法用于时间序列分解,但是没有一个在高吞吐量和实时响应至关重要的在线可扩展设置中运行良好。在本文中,我们提出了OnlineSTL,一种新的在线算法的时间序列分解,这是高度可扩展的,部署在高分辨率,高摄取率的数据的实时指标监测。在不同的合成和真实世界的时间序列数据集上的实验表明,OnlineSTL在保持分解质量的同时实现了数量级的加速(100倍)。
2022-08-04 cs.DB cs.LG
Using Scaling Laws for Data Source Utility Estimation in Domain-Specific Pre-Training
ServiceNow Research(ServiceNow 研究所);Mila — Quebec AI Institute(魁北克人工智能研究所)
该研究提出一种基于缩放定律的数据源效用估计框架,通过多计算量的退火运行替代传统点估计,解决跨计算规模秩不变性缺失问题,为领域特定预训练的资源分配提供数据驱动决策支持。
2025-07-29 cs.AI cs.LG
Scaling up graph homomorphism for classification via sampling
LAMSADE, Université Paris-Dauphine, PSL(巴黎第九大学(多菲纳大学)LAMSADE实验室,PSL研究大学)
特征生成是图机器学习研究的一个开放性课题。在本文中,我们研究使用图同态密度功能作为一个可扩展的替代同态数保留类似的理论性质和能力,考虑到归纳偏见。为此,我们提出了一个高性能的实现一个简单的采样算法,计算加法近似的同态密度。在图机器学习的背景下,我们在实验中证明,在样本同态密度上训练的简单线性模型可以在标准图分类数据集上实现与图神经网络相当的性能。最后,我们在合成数据的实验中表明,该算法的规模非常大的图时,实现布隆过滤器。
2021-04-08 cs.DS cs.LG
Data Scaling Laws in NMT: The Effect of Noise and Architecture
Harvard University(哈佛大学);Google(谷歌);University of Edinburgh(爱丁堡大学)
在这项工作中,我们研究了不同的架构和训练数据质量对神经机器翻译(NMT)的数据缩放特性的影响。首先,我们建立了编码器-解码器Transformer模型的测试损失在训练样本的数量上按幂律缩放,并依赖于模型的大小。然后,我们系统地改变训练设置的各个方面,以了解它们如何影响数据缩放定律。特别是,我们改变了以下内容:(1)架构和任务设置:我们与transformer-LSTM混合,以及具有语言建模损失的仅解码器Transformer进行比较(2)训练分布中的噪声水平:我们实验过滤,并添加iid合成噪声。在上述所有情况下,我们发现数据缩放指数受到的影响最小,这表明稍微差一点的架构或训练数据可以通过添加更多数据来补偿。最后,我们发现,使用反向转换的数据,而不是并行数据,可以显着降低标度指数。
2022-02-04 cs.CL cs.LG
On the Effect of Purely Synthetic Training Data for Different Automatic Speech Recognition Architectures
RWTH Aachen University(亚琛工业大学);AppTek GmbH(AppTek有限公司)
本文用类似FastSpeech-2的TTS生成纯合成语音训练三类ASR架构,并通过说话人嵌入与模型规模消融分析合成与真实数据的性能差距。
2024-10-26 cs.CL cs.LG cs.SD
Deriving Neural Scaling Laws from the statistics of natural language
研究从自然语言统计推导神经缩放定律,分离出语言关键统计属性预测神经缩放指数,给出基于这些统计量的简单公式,与实验测量定律匹配。
2026-07-07 cs.AI cs.LG stat.ML
Scaling up Continuous-Time Markov Chains Helps Resolve Underspecification
MIT(麻省理工学院);Harvard University(哈佛大学)
对离散项目集的时间演变进行建模(例如,基因突变)是许多生物医学应用中的基本问题。我们通过连续时间马尔可夫链的镜头来处理这个问题,并表明,由此产生的学习任务通常在通常的横截面数据设置中是不确定的。我们探索一个可能令人惊讶的补救措施:包括一些额外的独立项目可以帮助确定时间顺序,从而解决欠规范。这与将分析限制在相关项目的一小部分的常见做法形成鲜明对比,这种做法主要是由于现有方法的缩放性差。为了将我们的理论见解付诸实践,我们开发了一种用于学习连续时间马尔可夫链的近似似然最大化方法,该方法可以扩展到数百个项目,并且比以前的方法快了几个数量级。我们证明了我们的方法对合成和真实癌症数据的有效性。
2021-07-06 cs.LG stat.ML
Will we run out of data? Limits of LLM scaling based on human-generated data
Epoch;University of Aberdeen(阿伯丁大学);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Centre for the Governance of AI(人工智能治理中心);University of Tübingen(蒂宾根大学)
本研究预测了LLM训练数据需求与公共人类文本数据存量的关系,指出2026至2032年间可能耗尽数据,并探讨了合成数据、迁移学习和数据效率等应对策略。
2024-06-04 cs.AI cs.CL cs.CV
Scaling to Multimodal and Multichannel Heart Sound Classification with Synthetic and Augmented Biosignals
School of Electrical Engineering, Computing, and Mathematical Sciences (EECMS), Faculty of Science and Engineering, Curtin University, Bentley, WA 6102, Australia(电气工程、计算与数学科学学院(EECMS),科学与工程学院, Curtin 大学,Bentley,WA 6102,澳大利亚)
针对心音分类中同步和多通道数据集有限的问题,提出结合传统信号处理与去噪扩散模型生成增强数据,微调Wav2Vec 2.0分类器,在多个数据集上取得最优性能。
2026-07-03 cs.LG cs.SD eess.SP
PromptCoT 2.0: Scaling Prompt Synthesis for Large Language Model Reasoning
The University of Hong Kong(香港大学)
PromptCoT 2.0 通过期望最大化循环迭代精炼推理链来合成更难、更多样化的训练提示,支持自博弈和监督微调,在多个基准上显著提升模型推理性能。
2025-09-24 cs.CL cs.LG