Компьютерные науки > Машинное обучение [представлено 19 октября 2026 года] Название: SWIFT: Самоуправляемые модели слабого и сильнодействующего дефиффилирования с помощью Target Experiment View PDF HTML (экспериментального) резюме: подготовка высококачественных моделей распространения данных является расчетно дорогостоящей, а руководство на основе выводов часто добавляет дополнительные затраты на выборку. В этой работе мы внедряем Swift, простой и эффективный самоуправляемый метод обучения, который использует замороженного слабого дюайзера для совершенствования более сильной модели без добавления дополнительных накладных расходов. Для каждого шумного входа Swift экстраполирует цель чистой регрессии в сторону от предсказания слабого джентльмена, усиливая компоненты, которые остаются неподходящими. Слабый гид может быть первым контрольно-пропускным пунктом, не требует повторной промоутации во время подготовки по основным моделям и затем выбрасывается. В результате этого модель сохраняет оригинальный образец и поддерживает как условное, так и безусловное поколение без маркировки или безоговорочного отделения. Мы разъясняем этот механизм посредством спектрального анализа градиента популяций в РКХС. С ранним слабым руководством мы доказываем, что незадействованный диапазон экстраполяционных сильных сторон приводит к погрешности в заднюю сторону строго ниже, чем соответствующая стандартная тренировка, несмотря на смещение регрессионного целевого показателя с заднего среднего.…
SWIFT: самоуправляемые модели слабого и сильнодействующего дефиффилирования с помощью экстраполяции целевых показателей
arXiv: 261 020.25844v 1 Annuales Type: New Habrit: Training of knowledge Displacement Models ( " Обучение высококачественным диффузионным моделям является дорогостоящим по расчету, и руководство на основе выводов зачастую добавляет дополнительные затраты на выборку. В этой работе мы внедряем Swift, простой и эффективный самоуправляемый метод обучения, который использует замороженного слабого дюайзера для совершенствования более сильной модели без добавления дополнительных накладных расходов. Для каждого шумного входа Swift экстраполирует цель чистой регрессии в сторону от предсказания слабого джентльмена, усиливая компоненты, которые остаются неподходящими. Слабый гид может быть первым контрольно-пропускным пунктом, не требует повторной промоутации во время подготовки по основным моделям и затем выбрасывается. В результате этого модель сохраняет оригинальный образец и поддерживает как условное, так и безусловное поколение без маркировки или безоговорочного отделения. Мы разъясняем этот механизм посредством спектрального анализа градиента популяций в РКХС. С ранним слабым руководством мы доказываем, что не пустой диапазон экстраполяции str