论文略读：Who Wrote This? The Key to Zero-Shot LLM-Generated Text Detection Is GECScore

最新推荐文章于 2024-10-15 01:20:33 发布
最新推荐文章于 2024-10-15 01:20:33 发布
阅读量154 收藏 2
点赞数 1
分类专栏： 论文笔记 文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40206371/article/details/140426443
版权

arxiv 202405

1 motivation

  • 人类在写作时比语言模型更容易犯语法错误
    • 可能有一下几种理论支持
      • ​​​​​​​词的启动效应（Word Priming）和记忆形成（Memory Formation）
        • 语法错误往往源于大脑倾向于优先考虑语义连贯性和叙事流畅性，而非字符级别的精确度和句法严谨性
      • 语言干扰 （Language Interference）理论
        • 多语种个体可能会混淆不同的语言体系，从而增加错误的可能性
      • 认知负荷（Cognitive Load）理论
        • 写作任务（如信息组织）所需的高强度脑力劳动可能导致更多错误

2 主要方法

​​​​​​​

UQI-LIUWJ
关注
专栏目录
单细胞论文记录(part6)--SpaGE: Spatial Gene Enhancement using scRNA-seq
小山羊的学习日志
05-27 319
学习笔记，仅供参考，有错必纠 阅读状态：略读 文章目录SpaGE: Spatial Gene Enhancement using scRNA-seqABSTRACTINTRODUCTIONMATERIALS AND METHODSSpaGE algorithmDatasets SpaGE: Spatial Gene Enhancement using scRNA-seq ABSTRACT Single-cell technologies are emerging fast due to their ab
论文略读：Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More?
qq_40206371的博客
07-07 1236
支持从32k到128k，再到1M个标记的上下文长度。——>能够系统地评估模型性能随上下文长度增加的变化。SQL：理解自然语言查询并从数据库中提取信息。多示例上下文学习：从大量示例中学习并完成任务。视觉检索：根据文本描述找出相关图像或视频。文本检索：从大量文档中找出相关内容。LOFT的一个关键特性是其可扩展性。音频检索：匹配文本与相应音频。RAG：基于检索信息生成答案。
论文目录3：大模型时代（2023+）
qq_40206371的博客
03-05 1537
早期做instruction tuning的workin-context learning都是没有finetune过程，这里相当于finetune了一下在in-context learning的时候，故意给一些错误的例子、其他领域的返利，看看大模型的效果——>这篇论文的结论是，in-context learning只起到“唤醒”的作用，LLM本身就具备了所需要的功能。这里给LLM范例的作用只是提示LLM要做这个任务了在更大的LLM中，in context learning 确实也起到了让模型学习的作用。
论文阅读：Ground-Fusion: A Low-cost Ground SLAM System Robust to Corner Cases
weixin_46190814的博客
02-24 2006
论文阅读总结
【论文略读】（MLLA）清华大学--Demystify Mamba in Vision: A Linear AttentionPerspective
weixin_45927386的博客
06-19 2121
引入Baseline Mamba，指明Mamba在处理各种高分辨率图像的视觉任务有着很好的效率。文章发现了强大的Mamba和线性注意力Transformer（ linear attention Transformer）非常相似，然后就分析了两者之间的异同。
论文略读：Contrastive Learning is Spectral Clustering on Similarity Graph
qq_40206371的博客
04-15 339
iclr 2024 reviewer评分 56610。
论文略读：OpenGraph: Towards Open Graph Foundation Models
qq_40206371的博客
04-23 433
arxiv 2023。
论文略读：Onthe Expressivity Role of LayerNorm in Transformers’ Attention
qq_40206371的博客
06-10 217
ACL 2023。
论文略读Feature Modulation Transformer Cross-Refinement of Global Representationvia via HFP for Image SR
a284365的博客
05-21 1075
浅层特征提取模块由单个卷积层组成，重建模块后面是SwinIR[21]。RCRFG组件由多个交叉细化融合块(crfb)组成，每个融合块由三种类型的块组成:高频增强残差块(hferb)、移位矩形窗口注意块(SRWABs)和混合融合块(HFBs)。输入LR图像经过3×3卷积层处理，获得浅层特征。然后将这些特征输入到一系列rcrfg中以学习深度特征。在最后一次RCRFG之后，一个3 ×3卷积层对特征进行聚合，并在其输出与浅层特征之间建立残差连接，便于训练。
论文略读 | Hybrid Code Networks: practical and efficient end-to-end dialog control with supervised and r
sanra123的博客
02-21 711
传统端到端学习的弊端： 数据驱动型，需要海量数据来学习简单的行为数据驱动型，需要海量数据来学习简单的行为 领域迁移时，无法加入领域先验知识 本文提出的HCN（端到端，任务型），不仅可以保留对话状态的潜在表示，还能显著减少训练数据量（结合监督学习和强化学习来优化），同时获得satte-of-art的性能。 端到端和pipeline的对比： pipeline需要经过 NUL，DST，动作...
nlp-python-deep-learning:Python与深度学习中的NLP
05-14
尽管它们非常适合作为大学生的入门教材，但它是供从业人员快速阅读，略读，选择有用的内容然后继续进行的。 有几个笔记本分为7个逻辑主题。 每个部分都基于以前的笔记本中的想法和代码，但是您可以在脑海中填补...
【图像去噪】论文精读：MemNet: A Persistent Memory Network for Image Restoration
畅游计算机视觉的海洋
08-22 675
论文题目：MemNet: A Persistent Memory Network for Image Restoration —— MemNet：用于图像恢复的持久记忆网络ICCV 2017！延长记忆网络MemNet！DRRN相同团队出品！最近，非常深的卷积神经网络 (CNN) 在图像恢复中引起了相当大的关注。然而，随着深度的增长，这些非常深的模型很少实现长期依赖问题，这导致先验状态/层对后续状态几乎没有影响。
文献略读：Frontier-Based 相关
m0_46167617的博客
09-14 960
文献略读：Frontier Based 相关 A Frontier-Based Approach for Autonomous Exploration 该论文第一次提出了frontier-based方法 frontier：已知空间和未探索空间的分解区域 核心思想：To gain the most new information about the world, move to the boundary between open space and uncharted territory. 地图采用evid
A2J：Anchor-to-Joint Regression Network for 3D Articulated Pose Estimation 。。。略读与实践
AlgoMonster的博客
07-14 1616
《A2J: Anchor-to-Joint Regression Network for 3D Articulated Pose Estimation from a Single Depth Image 》略读与实践 这篇是2019hand pose 挑战赛获得第一的作品（好可惜自己没去），据说是第一篇利用目标检测的anchor机制来回归手部关键点坐标的。作者认为anchor points 能够针对局部坐标回归能够捕获全局和局部空间信息。 代码开源地址：https://github.com/zhangbos
DINO&DINO v2：颠覆自监督视觉特征表示学习
最新发布
家鸽的代码屋
10-15 844
DINO系列学习总结
【人工智能学习之PaddleOCR快速上手】
Jiagym的博客
10-12 1263
在配置文件中，可以设置组建模型、优化器、损失函数、模型前后处理的参数，PaddleOCR从配置文件中读取到这些参数，进而组建出完整的训练流程，完成模型训练，在需要对模型进行优化的时，可以通过修改配置文件中的参数完成配置，使用简单且方便修改。而 L2 正则化中，添加正则化项的目的在于减少参数平方的总和。准确检测的标准是检测框与标注框的IOU大于某个阈值，正确识别的检测框中的文本与标注的文本相同。如果缺少带标注的数据，或者不想投入研发成本，建议直接调用开放的API，开放的API覆盖了目前比较常见的一些垂类。
线性判别器LDA
qq_52421831的博客
10-10 1305
LDA是一种有监督的降维方法，和它比较类似的是PCA(一种无监督的降维方法)
论文及其创新点学习cvpr2022 On the Integration of Self-Attention and Convolution
qq_53536373的博客
10-13 442
论文创新点，将注意力机制 和卷积 相结合。
骨架提取（持续更新）
xiongmaowangd的博客
10-13 608
骨架提取是图像处理或计算机视觉中的一种技术，用于从二值化图像中提取物体的中心线或轮廓，通常称为“骨架”或“细化图像”。这一技术主要用于简化形状表示，同时保留物体的拓扑结构。这里我们强调了，是对二值化图像中进行提取。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值