AlignTune: Modular Toolkit for Post-Training Alignment of Large Language Models
Lexsi Labs(Lexsi实验室)
AlignTune通过模块化工具包提供统一接口,支持监督微调和RLHF优化,解决后端干扰和不可复现问题,提升对齐研究的可控性和复现性。
2026-02-11 cs.CL cs.LG
Multi-level Cross-modal Alignment for Image Clustering
Shenzhen University(深圳大学)
针对跨模态预训练中的错误对齐导致伪标签质量下降的问题,提出实例、原型与语义三层对齐方法,提升图像聚类性能,并通过理论收敛性分析和五个基准数据集验证其优势。
2024-01-22 cs.CV cs.LG
DGCLUSTER: A Neural Framework for Attributed Graph Clustering via Modularity Maximization
Visa Research(Visa研究院)
提出DGCluster神经框架,通过图神经网络优化模块度实现属性图聚类,无需预设簇数且线性扩展,在多个真实数据集上显著优于现有方法。
2023-12-20 cs.LG cs.SI
MOSAIC: Modular Opinion Summarization using Aspect Identification and Clustering
Viator, TripAdvisor(Viator、TripAdvisor)
MOSAIC通过分解摘要任务为可解释的组件,提升在线市场中产品评价的实用性和可靠性,通过A/B测试和离线实验验证其在方面覆盖和忠实度上的优势。
2026-03-01 cs.CL cs.LG
Reconsidering Representation Alignment for Multi-view Clustering
UiT The Arctic University of Norway(挪威北极大学)
对齐视图表示的分布是当今用于深度多视图聚类的最新模型的核心组件。然而,我们发现了几个缺点,天真地对齐表示分布。我们证明,这些缺点都导致在表示空间中的可分离的集群,并抑制模型的能力,优先考虑的意见。基于这些观察,我们开发了一个简单的基线模型,用于深度多视图聚类。我们的基线模型完全避免了表示对齐,同时表现类似于或优于当前的最新技术水平。我们还通过添加对比学习组件来扩展我们的基线模型。这引入了一个选择性对齐过程,保留了模型对视图进行优先级排序的能力。我们的实验表明,对比学习组件增强了基线模型,在几个数据集上大幅改善了当前的最新技术水平。
2021-03-13 cs.CV cs.LG
Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment
针对部分视图缺失导致聚类性能欠佳的问题,提出基于对比学习的双优化框架,结合微调Vision Transformer、KNN填补缺失视图并利用自监督与元学习动态调整权重,在BDGP和HW数据集上优于现有方法。
2024-11-14 cs.CV cs.LG
DAS-PMVC: A Framework for Partial Multi-View Clustering via Dual Alignment and Structure Enhancement
Dalian University of Technology(大连理工大学);Inspur Group Co., Ltd.(浪潮集团有限公司);China University of Mining and Technology(中国矿业大学);The University of Warwick(华威大学)
该研究针对多视图聚类中的部分视图对齐问题,提出DAS-PMVC框架,通过锚点图结构对齐、结构增强特征学习与双对齐策略提升性能,在多数据集上优于现有最先进方法。
2026-07-31 cs.CV cs.LG
Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment
National University of Defense Technology(国防科技大学)
现有的多视图聚类的成功依赖于跨多个视图的样本完整性的假设。然而,在现实场景中,由于数据损坏或传感器故障,多视图的样本是部分可用的,这导致不完整的多视图聚类研究(IMVC)。虽然已经提出了几种解决IMVC的尝试,但它们具有以下缺点:i)现有方法主要采用跨视图对比学习,迫使每个样本在视图之间的表示完全相同,这可能忽略视图差异和表示的灵活性; ii)由于多个视图中不存在未观察到的样本,因此获得的集群原型可能会不对齐和有偏差,导致不正确的融合。为了解决上述问题,我们提出了一个跨视图部分样本和原型对齐网络(CPSPAN)的深度不完全多视图聚类。首先,与现有的基于对比的方法不同,我们采用成对观察数据对齐作为“代理监督信号”来指导视图之间的实例到实例的对应关系构建。然后,针对IMVC中的移位原型,我们进一步提出了一个原型对齐模块,以实现跨视图的不完全分布校准。大量的实验结果显示了我们提出的模块的有效性,与现有的IMVC竞争对手相比,在基准数据集上获得了显着的性能改进。
2023-03-30 cs.CV cs.LG
Multi-view Clustering via Deep Matrix Factorization and Partition Alignment
近年来,多视图聚类(MVC)被广泛研究以收集多个源信息。一种典型的MVC方法是基于矩阵分解来有效地执行降维和聚类。然而,现有的方法可以进一步改进以下考虑:i)当前的单层矩阵分解框架不能充分利用有用的数据表示。ii)大多数算法只关注共享信息,而忽略了视图特定的结构,导致次优解。iii)在现有工作中尚未利用分区级别信息。针对上述问题,提出了一种基于深度矩阵分解和分区对齐的多视图聚类算法。具体地说,通过深度矩阵分解得到每个视图的分区表示,然后与最优分区表示联合用于融合多视图信息。最后,一个交替优化算法被开发来解决优化问题,证明收敛性。在六个基准多视图数据集上进行的综合实验结果清楚地表明了该算法对SOTA方法的有效性。
2021-05-10 cs.LG stat.ML
A Modular Framework for Centrality and Clustering in Complex Networks
Nanyang Technological University(南洋理工大学)
许多复杂网络的结构包括其拓扑结构上的边方向性和权重。网络分析,可以无缝地考虑这些属性的组合是可取的。在本文中,我们研究了两个重要的网络分析技术,即中心性和聚类。一个基于信息流的聚类模型,这本身就建立在一个信息理论计算中心性的措施。我们的主要贡献包括一个广义模型的马尔可夫熵中心的灵活性,以调整节点度的重要性,边的权重和方向,一个封闭形式的渐近分析。它导致了一种新的两阶段图聚类算法。中心性分析有助于我们的方法聚类一个给定的图形的适用性的原因,并确定“查询”节点,围绕它来探索当地的社区结构,导致凝聚聚类机制。熵中心计算摊销我们的聚类算法,使其计算效率:相比以前的方法使用马尔可夫熵中心聚类,我们的实验表明多个数量级的速度。我们的聚类算法自然继承了适应边缘方向性的灵活性,以及边缘权重和节点度之间的不同解释和相互作用。总之,本文不仅做出了重要的理论和概念贡献,而且还将研究结果转化为实际相关的工件,产生新的,有效的和可扩展的中心性计算和图聚类算法,其有效性已通过广泛的基准测试实验进行了验证。
2021-11-23 cs.IT cs.LG cs.SI
Fair Clustering via Alignment
Department of Statistics, Seoul National University, Republic of Korea(统计系,首尔国立大学,大韩民国);School of Law, Seoul National University, Republic of Korea(法学院,首尔国立大学,大韩民国)
提出FCA算法,通过分解公平K均值目标并交替对齐数据与优化中心,实现高效用且数值稳定的公平聚类。
2025-10-23 cs.AI cs.LG stat.ML
Hierarchical Semantic Alignment for Image Clustering
AAAI Press Staff(AAAI出版社员工)
CAE通过层次化语义对齐方法提升图像聚类性能,无训练即可实现4.2%的准确率提升。
2025-11-30 cs.CV cs.LG
A Counterexample to Fourier Alignment in Single-Neuron Modular Addition
该研究针对MAIS-O60问题构造反例,证明单神经元模加法训练中傅里叶对齐不成立,且失效情况在多种条件下普遍存在。
2026-08-07 cs.LG cs.NE math.OC
Modular Federated Learning: A Meta-Framework Perspective
NOVA School of Science and Technology(NOVA科学与技术学校);University of Novi Sad(诺维萨德大学);Faculty of Sciences(科学学院)
本文提出模块化联邦学习元框架,区分 Aggregation 与 Alignment,并结合历史演进、Python 工具和开放挑战,为 FL 研究与部署提供系统化基础。
2025-05-13 cs.LG
Dual-Learning based Penalized Multi-Align Clustering for Multi-View Incomplete and Disorderly Data
Dalian University of Technology(大连理工大学);Hainan University(海南大学)
针对多模态数据的不完整和时间异步问题,提出基于对偶学习的惩罚多对齐聚类模型(DLPMAC),通过对偶学习保持语义和结构一致性,并利用惩罚机制实现多对多数据对齐,提升对齐精度并避免数据聚合。
2026-06-29 cs.LG
MoVA: Learning Asymmetric Dual Projections for Modular Long Video-Text Alignment
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Carnegie Mellon University(卡内基梅隆大学)
针对视频-文本对比学习中时间错位和语义不对称问题,提出MoVA框架,通过非对称双投影(文本侧自适应选择帧感知子空间,视频侧解缠文本相关视觉概念)实现灵活对齐,在多个任务上超越现有方法。
2026-07-02 cs.CV cs.LG
Adaptive Pluralistic Alignment: A pipeline for dynamic artificial democracy
提出自适应多元对齐(APA)流水线,通过低秩奖励基分解和陪审团投票机制,动态追踪社会价值观演变,避免价值锁定,无需重复预训练或大规模数据收集。
2026-10-22 cs.LG
Unsupervised Joint Alignment and Clustering using Bayesian Nonparametrics
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
一组功能的联合对齐是独立转换功能的过程,以便它们看起来彼此更相似。通常,当呈现由多个模态产生的复杂数据集时,这种无监督对齐算法失败,或者对函数或变换的形式进行限制性假设,从而限制了它们的通用性。我们提出了一个转换贝叶斯无限混合模型,可以同时对齐和聚类的数据集。我们的模型和相关的学习方案提供了两个关键优势:通过使用Dirichlet过程先验以数据驱动的方式确定聚类的最佳数量,并且它可以容纳由连续参数向量参数化的任何变换函数。因此,它适用于广泛的数据类型和转换函数。我们提出了积极的结果,合成二维数据,一组一维曲线,并在各种图像数据集,显示出很大的改进,比以前的工作。我们讨论了几种变化的模型,并得出结论,为今后的工作方向。
2012-10-16 cs.LG stat.ML
Incomplete Multi-view Clustering via Hierarchical Semantic Alignment and Cooperative Completion
School of Computer and Artificial Intelligence, Nanjing University of Finance and Economics(计算机与人工智能学院,南京财经大学)
本文提出HSACC框架,通过层次语义对齐与动态权重分配解决不完整多视图聚类问题,实现鲁棒融合与协同学习。
2026-02-20 cs.AI cs.LG eess.IV
Clustering units in neural networks: upstream vs downstream information
University of Pennsylvania(宾夕法尼亚大学);Mila Québec AI Institute(Mila魁北克人工智能研究所);McGill University(麦吉尔大学)
有人假设,人工神经网络中的某种形式的“模块化”结构应该对学习、组合和泛化有用。然而,定义和量化模块化仍然是一个悬而未决的问题。我们将检测功能模块的问题转化为检测功能相似单元的集群的问题。这就引出了一个问题,是什么让两个单元在功能上相似。为此,我们考虑两大类方法:那些定义相似性的基础上如何单位响应结构化的变化输入(“上游”),以及那些基于隐藏的单位激活的变化如何影响输出(“下游”)。我们进行了一项实证研究,量化模块化的隐藏层表示的简单前馈,全连接的网络,在一系列的超参数。对于每个模型,我们使用各种上游和下游措施来量化每层隐藏单元之间的成对关联,然后使用网络科学中的既定工具通过最大化其“模块化得分”来对其进行聚类。我们发现了两个令人惊讶的结果:第一,dropout极大地增加了模块化,而其他形式的权重正则化的效果更温和。其次,虽然我们观察到,通常有很好的协议内的上游方法和下游方法的集群,有一点协议的集群分配在这两个家庭的方法。这对表征学习具有重要意义,因为它表明,找到反映输入结构的模块化表征(例如解纠缠)可能是学习反映输出结构的模块化表征(例如组合性)的不同目标。
2022-03-22 cs.LG cs.NE stat.ML
Nearest Neighbour Equilibrium Clustering
Lancaster University(兰卡斯特大学)
提出一种基于最近邻的平衡聚类算法,通过平衡簇大小与内聚性定义簇,并利用对齐强度实现自动模型选择,算法简单高效,聚类质量优于文献基准。
2025-03-28 cs.LG stat.ML
Convexified Modularity Maximization for Degree-corrected Stochastic Block Models
Cornell University(康奈尔大学);University of California, Davis(加州大学戴维斯分校);University of Pennsylvania(宾夕法尼亚大学)
随机块模型(SBM)是研究网络社区发现的一个流行框架。该模型的限制是假设同一社区中的所有节点在统计上是等价的,并且具有相同的期望度。度修正随机块模型(DCSBM)是SBM的自然扩张,它考虑了群落内的度异质性。本文提出了一种凸化的模块最大化方法来估计DCSBM下的隐藏社区。我们的方法是基于经典的(广义)模块化最大化制定的凸规划松弛,其次是一个新的双加权$ \ell_1 $ -规范$ k $ -中位数程序。我们建立了非渐近的理论保证近似聚类和完美的聚类。我们的近似聚类结果是不敏感的最低程度,甚至在稀疏制度与有界的平均度。在SBM的特殊情况下,这些理论结果与计算上可行的算法的最佳性能保证相匹配。数值上,我们提供了一个有效的实现我们的算法,这是适用于合成和现实世界的网络。实验结果表明,我们的方法具有竞争力的性能相比,在文献中的最先进的。
2016-01-19 cs.LG cs.SI math.ST
Consistency-Aware Padding for Incomplete Multi-Modal Alignment Clustering Based on Self-Repellent Greedy Anchor Search
School of Software Technology, Dalian University of Technology(大连理工大学软件学院)
本文提出CAPIMAC方法,通过自排斥贪心锚点搜索和一致性感知填充模块,解决多模态数据不平衡与未对齐问题,提升融合聚类质量。
2025-07-05 cs.CV cs.LG
K-means Clustering Based Feature Consistency Alignment for Label-free Model Evaluation
Tiansuan Lab, Ant Group(蚂蚁集团天筭实验室)
针对无标签模型评估中的分布偏移问题,提出KCFCA聚类对齐、动态回归及异常模型剔除融合方法,在DataCV挑战赛中以RMSE 6.8526获第二名。
2023-04-17 cs.CV cs.LG
Linear normalised hash function for clustering gene sequences and identifying reference sequences from multiple sequence alignments
Sydney Emerging Infections and Biosecurity Institute(悉尼新发感染与生物安全研究所)
本文提出将多序列比对与线性映射哈希函数结合,通过揭示相似性距离矩阵中的间隙自动识别最优聚类数、截断值和质心,无需先验知识且线性扩展,在细菌和病毒序列聚类中优于现有无监督方法。
2023-11-29 cs.LG q-bio.GN
On the Effects of Self-supervision and Contrastive Alignment in Deep Multi-view Clustering
UiT The Arctic University of Norway(挪威北极大学);Norwegian Computing Center(挪威计算中心);University of Copenhagen(哥本哈根大学)
自监督学习是最近深度多视图聚类(MVC)方法的核心组成部分。然而,我们发现在深度MVC的基于自我监督的方法的开发中存在很大的差异,这可能会减缓该领域的进展。为了解决这个问题,我们提出了DeepMVC,这是一个统一的深度MVC框架,其中包括许多最新的方法作为实例。我们利用我们的框架,使自我监督的效果,特别是调整表示与对比学习的缺点的关键意见。此外,我们证明了对比对齐会对聚类可分性产生负面影响,并且当视图数量增加时,这种影响会变得更糟。在我们的研究结果的激励下,我们开发了几个新的DeepMVC实例,具有新的自我监督形式。我们进行了大量的实验,发现(i)与我们的理论研究结果一致,对比比对降低了具有许多视图的数据集的性能;(ii)所有方法都受益于某种形式的自我监督;(iii)我们的新实例在几个数据集上优于以前的方法。根据我们的研究结果,我们提出了几个有前途的未来研究方向。为了增强该领域的开放性,我们提供了DeepMVC的开源实现,包括最近的模型和我们的新实例。我们的实施包括一个一致的评估协议,促进公平和准确的方法和组件的评估。
2023-03-17 cs.CV cs.LG stat.ML
Unsupervised Community Detection with Modularity-Based Attention Model
Criteo(科韬)
在本文中,我们采取的无监督节点聚类图的问题,并显示如何在最近的进展,注意力模型可以成功地应用在一个“硬”政权的问题。我们提出了一个无监督的算法,编码Bethe Hessian嵌入通过优化软模块损失,并认为我们的模型是有竞争力的经典和图神经网络(GNN)模型,而它可以在一个单一的图上训练。
2019-05-20 cs.LG cs.SI stat.ML
Interpreting Layered Neural Networks via Hierarchical Modular Representation
NTT Communication Science Laboratories(NTT通信科学实验室)
解释复杂模型的预测机制是目前机器学习领域最重要的任务之一,特别是分层神经网络,它已经在各种实际数据集上取得了很高的预测性能。为了以一种可解释的方式揭示一个训练好的神经网络的全局结构,已经提出了一系列的聚类方法,这些方法根据推理角色的相似性将单元分解成簇。这些研究中的主要问题是:(1)我们没有关于分解的最佳分辨率或适当的聚类数量的先验知识,以及(2)没有方法来获取关于每个聚类的输出是否与输入和输出维度值呈正相关或负相关的知识。在本文中,为了解决这些问题,我们提出了一种方法,用于获得分层神经网络的分层模块化表示。层次聚类方法的训练网络的应用程序揭示了隐藏层单元之间的树结构的关系,根据其特征向量定义的输入和输出维度值的相关性。
2018-10-03 cs.LG stat.ML
Automatic Registration and Clustering of Time Series
University of Florida(佛罗里达大学)
时间序列数据的聚类显示出在其他环境中不存在的许多挑战,特别是观测信号的配准(对准)问题。典型的方法包括预先注册到用户指定的模板或时间扭曲的方法,试图以最小的失真最佳地对齐系列。对于从记录或感测设备获得的许多信号,这些方法可能是不合适的,因为模板信号不可用于预配准,而扭曲方法的失真可能使有意义的时间信息模糊。我们提出了一种新的方法自动时间序列对齐内的聚类问题。我们的方法,时间注册使用最佳酉变换(TROUT),是基于一种新的时间序列之间的相异性测量,很容易计算和自动识别之间的最佳对齐对时间序列。通过将我们的新措施嵌入到优化公式中,我们保留了众所周知的计算和统计性能优势。我们提供了一个有效的算法,基于TROUT的聚类,并证明其优越的性能在一系列的竞争对手。
2021-02-10 cs.LG stat.ME stat.ML
Federated Deep Clustering Networks for High-Dimensional and Heterogeneous Data
Maastricht University(马斯特里赫特大学)
针对联邦学习中高维异构数据聚类问题,提出FedDCN方法,通过联合优化重建与聚类损失并引入几何正则化,在非独立同分布场景下实现鲁棒聚类。
2026-09-21 cs.AI cs.LG
Growing Brains: Co-emergence of Anatomical and Functional Modularity in Recurrent Neural Networks
MIT(麻省理工学院);IAIFI(人工智能与基础交互研究所)
本研究将脑启发模块化训练应用于循环神经网络,发现功能与解剖模块性共同涌现,并通过平衡任务性能与稀疏性提升模型表现,为神经形态计算与可解释性提供新思路。
2023-10-11 cs.AI cs.LG cs.NE
Hierarchical Mutual Information Analysis: Towards Multi-view Clustering in The Wild
OPPO Research Institute(OPPO研究院);Xinchuang Haihe Laboratory(信创海河实验室);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);InnoPeak Technology, Inc(InnoPeak Technology公司);Stony Brook University(石溪大学)
本文提出一种深度多视图聚类框架,通过层次互信息最大化融合双重预测填补缺失视图与对比重建实现类别级对齐,首次分别处理视图缺失和未对齐问题,并在公开数据集上显著超越现有方法。
2023-10-28 cs.AI cs.LG
The Rlign Algorithm for Enhanced Electrocardiogram Analysis through R-Peak Alignment for Explainable Classification and Clustering
IMI Medical Systems GmbH(IMI医疗系统 GmbH);University of Freiburg(弗赖堡大学)
本文提出Rlign算法,通过R峰对齐重构心电图信号,提升分类、聚类和可解释性,优于传统方法和CNN。
2024-08-09 cs.LG eess.SP
Graph Clustering with Graph Neural Networks
Google Research(谷歌研究院);Technical University of Dortmund(多特蒙德工业大学)
本文针对GNN池化方法在图聚类中表现不佳的问题,提出受模块化度量启发的无监督池化方法DMoN,在真实数据上实现了超过其他方法40%的聚类性能提升。
2023-06-01 cs.LG cs.SI stat.ML
Colluding LoRA: A Compositional Vulnerability in LLM Safety Alignment
Mercedes-Benz Research & Development North America, USA(梅赛德斯-奔驰北美研发中心)
研究发现模块化大语言模型的安全对齐存在组合性漏洞,通过Colluding LoRA展示有害行为仅在组合状态下出现,暴露了当前单元中心防御的组合盲点。
2026-03-30 cs.CR cs.LG
Reliable data clustering with Bayesian community detection
Integrated Science Lab, Department of Physics, Umeå University, Umeå, Sweden(整合科学实验室,物理系,乌梅大学,乌梅,瑞典)
本研究提出利用贝叶斯社区检测方法(度修正随机块模型和正则化映射方程)结合最小描述长度原则,实现抗噪声的可靠数据聚类,在合成数据和基因共表达数据上优于传统方法。
2026-10-19 cs.LG physics.data-an stat.ME
Reads2Vec: Efficient Embedding of Raw High-Throughput Sequencing Reads Data
Georgia State University(佐治亚州立大学);University of Milano-Bicocca(米兰比可卡大学)
自COVID-19大流行开始以来,出现了大量SARS-CoV-2的基因组数据,这对研究其动态的传统方法提出了挑战。因此,出现了Pangolin等新方法,可以扩展到目前可用的数百万SARS-CoV-2样本。这种工具被定制为将组装、比对和策划的全长序列作为输入,例如在GISAID数据库中发现的那些。随着高通量测序技术的不断发展,这种组装、比对和策展可能成为瓶颈,从而需要能够直接处理原始测序读数的方法。在本文中,我们提出了Reads 2 Vec,一种无约束的嵌入方法,可以直接从原始测序读数中生成固定长度的特征向量表示,而无需组装。此外,由于这种嵌入是数值表示,因此它可以应用于高度优化的分类和聚类算法。在模拟数据上的实验表明,我们提出的嵌入方法获得了更好的分类结果和更好的聚类性能,与现有的无嵌入基线相反。在对真实数据的研究中,我们发现无干扰嵌入比Pangolin工具具有更好的聚类特性,并且SARS-CoV-2基因组的尖峰区域严重影响了无干扰聚类,这与当前SARS-CoV-2的生物学知识一致。
2022-11-15 cs.LG q-bio.GN q-bio.QM
iCD: A Implicit Clustering Distillation Mathod for Structural Information Mining
针对Logit知识蒸馏决策过程缺乏可解释性的问题,提出隐式聚类蒸馏方法iCD,利用Gram矩阵从logit中挖掘并迁移可解释的结构知识,在细粒度分类任务中较基线峰值提升达5.08%。
2025-09-16 cs.CV cs.LG
An ensemble based on a bi-objective evolutionary spectral algorithm for graph clustering
Instituto de Ciência e Tecnologia, Universidade Federal de São Paulo(圣保罗联邦大学科学与技术学院)
图聚类是一个具有挑战性的模式识别问题,其目标是识别具有高组内连通性的顶点划分。本文研究了一个双目标问题,即最大化一个图的簇内边数和最小化一个具有与原始图相同度序列的随机图的期望簇间边数。这两个研究目标之间的区别是图聚类质量的著名度量的定义:模块化。我们引入了一个频谱分解杂交进化的启发式,称为MOSpecG,接近这个双目标的问题和集成策略,巩固MOSpecG到一个最终的强大的分区的解决方案。真实和人工LFR网络的计算实验的结果表明,所介绍的方法的结果和性能的显着改善,在文献中发现的另一个双目标算法。基于模块化最大化问题的几何解释的交叉算子匹配一对个体的社区对于MOSpecG的良好性能至关重要。混合谱图理论和智能系统使我们能够定义显着高质量的社区结构。
2019-09-08 cs.LG cs.NE cs.SI
An Efficient and Modular Framework for Targeted Harm Mitigation in LLMS
University of California, Santa Cruz(加州大学圣克鲁兹分校);IBM Research(IBM研究院)
提出aLoRA适配器与上下文感知路由的模块化框架,在生成中定向消除LLM的有害输出,提升安全性且保持任务性能。
2026-09-22 cs.AI cs.CL cs.CY