cs.LG（2025-03-18）

📊 共 13 篇论文 | 🔗 2 篇有代码

🎯 兴趣领域导航

支柱九：具身大模型 (Embodied Foundation Models) (6 🔗2) 支柱二：RL算法与架构 (RL & Architecture) (5) 支柱一：机器人控制 (Robot Control) (1) 支柱五：交互与反应 (Interaction & Reaction) (1)

🔬 支柱九：具身大模型 (Embodied Foundation Models) (6 篇)

#	题目	一句话要点	标签	🔗	⭐
1	Bayesian Modeling of Zero-Shot Classifications for Urban Flood Detection	提出BayFlood，结合零样本视觉语言模型与贝叶斯模型用于城市洪水检测。	foundation model
2	Rethinking the Evaluation of Secure Code Generation	重新评估安全代码生成：现有方法在安全性和功能性上存在权衡	large language model
3	EnvBench: A Benchmark for Automated Environment Setup	EnvBench：用于自动化环境配置的综合基准测试，涵盖Python和JVM项目。	large language model	✅
4	COPA: Comparing the incomparable in multi-objective model evaluation	COPA：通过相对排序比较多目标模型评估中的不可比指标。	foundation model
5	Robust Weight Imprinting: Insights from Neural Collapse and Proxy-Based Aggregation	提出IMPRINT框架，通过神经崩塌现象指导的代理聚类，提升迁移学习中的权重印刻性能。	foundation model	✅
6	Speculative Decoding for Verilog: Speed and Quality, All in One	针对Verilog代码生成，提出思辨解码方法，兼顾速度与质量。	large language model

🔬 支柱二：RL算法与架构 (RL & Architecture) (5 篇)

#	题目	一句话要点	标签	🔗	⭐
7	DashCLIP: Leveraging multimodal models for generating semantic embeddings for DoorDash	DashCLIP：利用多模态模型为DoorDash生成语义嵌入，提升产品理解和用户意图识别	contrastive learning multimodal
8	Tiled Flash Linear Attention: More Efficient Linear RNN and xLSTM Kernels	提出Tiled Flash线性注意力(TFLA)，加速线性RNN和xLSTM内核，提升长序列建模效率。	Mamba linear attention
9	DAPO: An Open-Source LLM Reinforcement Learning System at Scale	DAPO：一个大规模LLM强化学习开源系统，在AIME 2024上达到50分	reinforcement learning
10	LLM-FE: Automated Feature Engineering for Tabular Data with LLMs as Evolutionary Optimizers	LLM-FE：利用LLM作为进化优化器，实现表格数据自动化特征工程	predictive model large language model
11	SocialJax: An Evaluation Suite for Multi-agent Reinforcement Learning in Sequential Social Dilemmas	SocialJax：用于序贯社会困境中多智能体强化学习的评估套件	reinforcement learning

🔬 支柱一：机器人控制 (Robot Control) (1 篇)

#	题目	一句话要点	标签	🔗	⭐
12	Temporal Context Awareness: A Defense Framework Against Multi-turn Manipulation Attacks on Large Language Models	提出TCA框架，防御大语言模型上的多轮对话操纵攻击	manipulation large language model

🔬 支柱五：交互与反应 (Interaction & Reaction) (1 篇)

#	题目	一句话要点	标签	🔗	⭐
13	Higher-Order Graphon Neural Networks: Approximation and Cut Distance	提出不变Graphon网络(IWN)，用于高阶图神经网络的逼近和割距离研究。	OMOMO

⬅️ 返回 cs.LG 首页 · 🏠 返回主页