AITOP

余弦相似度

共 2 条相关 AI 资讯
7月1日
09:56
09:56官方账号arXiv cs.LG@Clément Fuchs, Tim Bary, Benoît Macq
本文对视觉-语言模型（VLMs）在自然图像分类任务上使用局部化共形预测（localized conformal prediction）进行不确定性量化。作者通过开源实现基准测试，发现直接使用测试样本与校准样本视觉特征的余弦相似度并不能优于非局部基线。他们提出一种简单的非线性变换，在保持边缘覆盖保证的同时，实现了统计显著的集合大小平均减少。实验在多个VLM上验证了有效性。
论文VLM共形预测不确定性量化图像分类余弦相似度
推荐理由：这篇论文发现直接用余弦相似度搞局部共形预测效果一般，但换个非线性变换后，预测集变小了，值得做VLM不确定性量化的看看。
原文
5月27日
10:07
10:07官方一手arXiv: OpenAI@Adib Sakhawat, Fardeen Sadab, Atik Shahriar
精选
多语言嵌入模型假设跨语言检索是对称的，但实际中并非如此。研究使用 6,518 条英、孟、印、阿语习语和谚语平行语料，测试了 Gemini、Mistral、OpenAI-L、OpenAI-S、Qwen 五个编码器，发现 hubness（中心性）是导致检索不对称的主要几何病理，而非各向异性、质心漂移或向量幅度。在预注册实验中，hub mass 对互惠性的联合回归主导份额达 49.5%，是次优预测因子的 1.68 倍，而基于 hub 感知的 CSLS 评分修正可缩小 63.5% 的最差-最佳互惠差距。研究建议用 CSLS 替代余弦相似度作为多语言嵌入管道的默认检索指标。
论文多语言嵌入检索不对称HubnessCSLS余弦相似度
推荐理由：多语言检索不对称是实际部署中的常见痛点，做跨语言 NLP 或搜索的团队可以直接用 CSLS 替换余弦相似度，效果提升显著且无需重新训练模型。
原文