Provably Learning from Modern Language Models via Low Logit Rank
通过低logit秩从现代语言模型中获得可证明的学习
机构 * Microsoft Research（微软研究院） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院）
AI总结 本文提出了一种基于低logit秩结构的高效算法，用于从查询中获得现代语言模型的可证明学习保证。
高校专区
University of California, Berkeley（加州大学伯克利分校）
Contrast transfer functions help quantify neural network out-of-distribution generalization in HRTEM
对比转移函数有助于量化神经网络分布外泛化在高分辨率透射电子显微镜中的表现
机构 * Department of Materials Science and Engineering（材料科学与工程系） ； University of California, Berkeley（加州大学伯克利分校） ； National Center for Electron Microscopy, Molecular Foundry（电子显微镜国家中心，分子工厂） ； Lawrence Berkeley National Laboratory（伯克利国家实验室）
AI总结 本文通过对比转移函数量化神经网络在高分辨率透射电子显微镜中分布外泛化的能力，揭示了模型在不同成像条件下的稳定性与性能变化。
