为了检测水印,该论文还提出了一种具有可解释 p 值的统计测试方法,以及用于分析水印敏感度的信息论框架。该研究所提方法简单新颖,并提供了彻底的理论分析和扎实的实验。鉴于检测和大型语言模型(LLM)生成的文本正面临严峻的挑战,该研究可能会对机器学习社区产生重大影响。
论文 3:Generalization on the Unseen,Logic Reasoning and Degree Curriculum
论文简介:该论文在布尔函数的学习方面取得了重要进展,尤其是针对未见过域的泛化(Generalization on the Unseen,GOTU),这是一个具有挑战性的分布外泛化问题。该论文深入探究了这一课题,提出了一种结构良好的方法,并有充足的理论分析和大量实验支撑。此外该论文还概述了深度神经网络领域的一个关键研究方向。
具体而言,研究者探究了具有 holdout 的函数学习问题,其中部分分布支持在训练中几乎或从来没有见过,并使用布尔目标函数来捕捉各种推理任务(如算术、决策树和逻辑电路)的离散和组合属性。
最终,研究者对长度泛化问题给出了自己的解释,并提出了一种名为「Degree-Curriculum」的课程式学习算法,该算法通过增加支持更高效地学习单项式。算法如下所示: