11:32
官方账号arXiv cs.AI@Arunkumar V, Manoranjan Gandhudi, Gangadharan G. R., Arun Prakash, S. Senthilkumar
推荐理由：这篇论文给出了一个不依赖真实参数对的新方法MA-SBI，用文本作为侧信道校正模拟器错误，在多个基准上比当前最好的RoPE还强，而且理论也扎实。
MA-SBI
共 1 条相关 AI 资讯
6月16日
11:32
MA-SBI 提出通过侧信道文本（如制度标签或政策公告）校正模拟器误指定，无需真实参数对。理论证明误指定校正的偏差减少受侧信道与误指定互信息上界约束，且对次高斯噪声非平凡。在隐藏校准基准上，仅使用文本的 MA-SBI 在 10 个种子和两个骨干上达到与原 Oracle 后验的 TOST 等价，而 RoPE 即使使用更多数据也未实现。在真实 COVID 和 OxCGRT 流行病学数据上，随机变体改进了后验预测对数似然，并在良好指定的认知科学语料上正确保持后验不变。