跳到正文
热点事件持续更新

KAIST与PYLER提出VETO抑制文本捷径

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

KAIST与PYLER提出VETO,将VideoLLM监督微调更新投影到基座模型文本独占子空间的正交补空间,以抑制模型依赖文本规律、绕开视频证据的捷径学习。论文称,该方法在七个VideoLLM上保留训练分布内的准确率增益,并在六个分布偏移基准上超过普通监督微调。

AI 根据报道生成 · 2 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. AGI Hunt
    KAIST 与 PYLER 提出 VETO:抑制 VideoLLM 微调中的文本捷径学习

    KAIST 与 PYLER 提出 VETO,从微调更新中抑制 VideoLLM 依赖文本正则性绕开视频证据的捷径学习。VETO(Video-Evidence Training via Orthogonal projection)将 SFT 更新投影到基座模型中文本独占子空间的正交补空间,在七个 VideoLLM 上保留训练分布内的准确率增益,并在六个分布偏移基准上超越普通 SFT。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。