自适应查询相关 AI 资讯 · AI 热点

8月7日

10:05

10:05

官方账号arXiv cs.LG@Zonghuan Xu

这篇论文研究模型评估中测试选择策略：固定全部测试还是根据已有回答动态选择后续测试。作者在有限结果空间 |X|=N 的条件查询模型下证明，两类分布可区分当且仅当它们的成对条件概率存在正分离；若分离为零，任意有限查询预算下最坏误差恰为 1/2。对任意 T 次自适应策略和 ρ∈(0,1)，他们构造了一个非自适应随机程序，只需预先选择 O(N^2(T+log(1/ρ))) 对查询，模拟记录与自适应记录的总变差距离不超过 ρ。匹配下界给出常数自适应查询复杂度与 Ω_ε(N^2) 非自适应复杂度，因此最坏情况自适应优势为 Θ_ε(N^2)。结论是交互最多带来二次方查询减少，而非指数级优势。

论文假设检验条件查询自适应查询

推荐理由：如果你搞模型评估设计，这篇理论文章用严格上下界讲清楚了交互测试比固定测试省多少查询：最多二次方，不是指数级。

6月8日

09:22

09:22

官方账号arXiv cs.AI@Alexandre Belloni, Yan Chen, Yehua Wei

该论文提出了一种在线上下文潘多拉魔盒模型，用于自适应查询和选择LLM API。决策者在每个周期观察请求上下文，面临两阶段决策：查询阶段顺序调用API并产生输出相关成本，选择阶段从生成的输出中选一个部署并观察下游奖励。与经典模型不同，该模型输出反馈结构不直接揭示奖励。研究者直接建模保留索引，结合广义矩估计和UCB置信界，实现了维度相关的√T累积遗憾。

论文 LLM API 自适应查询潘多拉魔盒模型

推荐理由：LLM API调用成本高、选择困难，这篇论文为开发者提供了理论驱动的自适应查询策略，做模型编排或API调度的团队可以直接参考其方法优化成本与效果。

6月2日

11:14

11:14

官方账号arXiv cs.LG@Sabyasachi Basu, Manuj Mukherjee, Lutz Oettershagen, Suhas Thejaswi

本文研究在随机块模型（SBM）中，当学习者只能通过有限次数的噪声查询访问网络数据时，如何实现精确的社区恢复。查询会以固定概率揭示节点的真实邻居，但不会返回非邻居，且总查询次数有限。作者分析了仅依赖查询的模型，以及结合单个子采样图的混合模型。在仅查询模型中，均匀非自适应查询的基准性能由Abbe-Bandeira-Hall精确恢复阈值决定，但自适应策略可以用更少的查询（n+o(n)）超越该基准。在混合模型中，自适应查询可以针对少量不确定节点，实现亚线性查询的精确恢复，而均匀查询则无法改进子采样图的结果。这表明自适应数据获取能严格改善精确恢复的信息论极限。

论文随机块模型社区恢复自适应查询

推荐理由：这篇论文揭示了自适应查询在社区恢复中的理论优势，做图算法或网络分析的学者值得关注，看完会对数据获取策略的设计有新的启发。