ICML

Differentiable Conformal Training for LLM Reasoning Factuality

可微 conformal 训练用于 LLM 推理事实性

Nathan Hittesdorf, Marco Salzetta, Lu Cheng

机构 * Department of Computer Science, University of Illinois at Chicago, Chicago, United States（伊利诺伊大学芝加哥分校计算机科学系） ； Department of Physics, University of Illinois at Urbana-Champaign, Urbana, United States（伊利诺伊大学厄巴纳-香槟分校物理系） 纠错

AI总结 本文提出可微 conformal 训练方法，通过联合验证推理步骤中的事实性声明，提升 LLM 的事实性可靠性，实验显示在保持可靠性的同时，事实性声明保留率提升141%。

Comments Submitted ICML

Improved large-scale graph learning through ridge spectral sparsification

通过岭谱稀疏化实现大规模图学习的改进

Daniele Calandriello, Ioannis Koutis, Alessandro Lazaric, Michal Valko

机构 * SequeL team, INRIA Lille - Nord Europe, France（SequeL团队，INRIA里尔-北欧，法国） ； Facebook AI Research, Paris, France（Facebook人工智能研究，巴黎，法国） ； MIT, USA（麻省理工学院，美国） ； New Jersey Institute of Technology, USA（新泽西理工学院，美国） 纠错

AI总结 本文提出GSQUEAK算法，通过维护有效电阻的小子集高效稀疏化图拉普拉斯矩阵，在分布式流式设置中实现快速谱近似。

Comments International Conference on Machine Learning (ICML 2018)

Verification of Machine Unlearning is Fragile

验证机器去学习是脆弱的

Binchi Zhang, Zihan Chen, Cong Shen, Jundong Li

机构 * University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文探讨了机器去学习验证的脆弱性，提出两种对抗性去学习过程以绕过现有验证策略，揭示了验证方法的局限性。

Comments ICML 2024

Towards Certified Unlearning for Deep Neural Networks

面向深度神经网络的可信反向学习

Binchi Zhang, Yushun Dong, Tianhao Wang, Jundong Li

机构 * University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文提出简单技术将可信反向学习扩展到非凸目标，通过逆Hessian近似降低时间复杂度，并探讨非收敛训练和顺序反向学习，实验证明方法有效性及可信反向学习优势。

Comments ICML 2024 (errata)