精选理由
做推理蒸馏或知识迁移的团队，IGA解决了小模型在分布外数据上泛化差的痛点，逻辑一致性提升四倍，值得在数学、医学等跨领域任务上试试。
大型语言模型存在捷径学习问题，在分布外输入上系统性失败，即使逻辑结构相同。本文提出不变梯度对齐（IGA）框架，通过逻辑同构集、连续梯度冲突掩码和截断SVD投影三个创新，对齐语义多样但逻辑同构样本的梯度更新。理论上，IGA比经验风险最小化（ERM）有更紧的分布外泛化界；实验上，在四个基准上准确率提升最高14.3个百分点，逻辑一致性分数提升四倍。该方法适用于知识蒸馏场景，帮助小模型学习更鲁棒的推理能力。
AI 翻译 · 中文
大型语言模型存在捷径学习问题，在分布外输入上系统性失败，即使逻辑结构相同。本文提出不变梯度对齐（IGA）框架，通过逻辑同构集、连续梯度冲突掩码和截断SVD投影三个创新，对齐语义多样但逻辑同构样本的梯度更新。理论上，IGA比经验风险最小化（ERM）有更紧的分布外泛化界；实验上，在四个基准上准确率提升最高14.3个百分点，逻辑一致性分数提升四倍。该方法适用于知识蒸馏场景，帮助小模型学习更鲁棒的推理能力。
Large language models (LLMs) suffer from shortcut learning: they systematically fail on out-of-distribution (OOD) inputs whose semantic surface differs from training data, even when the logical structure is identical. Th…