AIGC動態(tài)歡迎閱讀

原標(biāo)題：今日arXiv最熱大模型論文：谷歌最新研究，將LLM用于回歸分析任務(wù)，顯著超越傳統(tǒng)模型
關(guān)鍵字：模型,任務(wù),數(shù)據(jù),研究者,表示
文章來源：夕小瑤科技說
內(nèi)容字?jǐn)?shù)：7374字

內(nèi)容摘要：

夕小瑤科技說 原創(chuàng)編輯 | 松果
引言：探索語言模型在回歸分析中的應(yīng)用回歸分析是一個強大的工具，能夠準(zhǔn)確預(yù)測系統(tǒng)或模型的結(jié)果指標(biāo)，給定一組參數(shù)。然而，傳統(tǒng)上這些方法僅適用于特定任務(wù)。本文研究者提出了OMNIPRED框架，這是一個訓(xùn)練語言模型作為通用端到端回歸器的框架，它可以處理來自多種真實世界實驗的（x, y）評估數(shù)據(jù)。通過使用來自Google Vizier的數(shù)據(jù)，這是世界上最大的黑盒優(yōu)化數(shù)據(jù)庫之一。廣泛實驗表明，通過僅使用數(shù)學(xué)參數(shù)和值的文本表示，語言模型能夠進(jìn)行非常精確的數(shù)值回歸。如果給予在多個任務(wù)上訓(xùn)練的機會，它們可以顯著超越傳統(tǒng)的回歸模型。
論文標(biāo)題:OmniPred: Language Models as Universal Regressors
論文鏈接: https://arxiv.org/pdf/2402.14547.pdf
OMNIPRED框架簡介：通用回歸預(yù)測的新范式OMNIPRED的創(chuàng)新之處：
OMNIPRED是第一個基于約束無關(guān)的文本表示的可擴展且簡單的度量預(yù)測框架，適用于一般輸入空間。
通過在不同輸入空間和目標(biāo)上進(jìn)行多任務(wù)學(xué)習(xí)，OMNIPRED在許多情況下可以勝

原文鏈接：今日arXiv最熱大模型論文：谷歌最新研究，將LLM用于回歸分析任務(wù)，顯著超越傳統(tǒng)模型

聯(lián)系作者

文章來源：夕小瑤科技說
作者微信：xixiaoyaoQAQ
作者簡介：更快的AI前沿，更深的行業(yè)洞見。聚集25萬AI一線開發(fā)者、互聯(lián)網(wǎng)中高管和機構(gòu)投資人。一線作者來自清北、國內(nèi)外頂級AI實驗室和大廠，兼?zhèn)湫袠I(yè)嗅覺與報道深度。