CVaR-RMD 论文被 EMNLP 2026 Findings 接收
热点事件持续更新
CVaR-RMD 论文被 EMNLP 2026 Findings 接收
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
CVaR-RMD 框架通过条件风险价值（CVaR）而非平均表现对 LLM 变异的可执行启发式候选算法进行排序，旨在解决平均目标掩盖严重失败的问题。该研究在三个组合优化领域中应用，提升了上尾性能并降低了失败率，且在大规模未知实例和独立基准上保持竞争力，相关代码已公开。目前，该研究已被 Findings of EMNLP 2026 正式接收，标志着其在学术界获得认可，后续进展将体现在会议论文的公开发布与引用中。
AI 根据报道生成 · 46 分钟前更新
最新进展10月20日 12:00
CVaR-RMD：利用 CVaR 选择压力实现鲁棒启发式算法发现报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · AICVaR-RMD：利用 CVaR 选择压力实现鲁棒启发式算法发现
提出 CVaR-RMD 框架，利用 LLM 变异可执行启发式程序，通过条件风险价值（CVaR）而非平均表现对候选算法进行排序，以解决平均目标掩盖严重失败的问题。 在三个组合优化领域中，基于 CVaR 的选择提升了上尾性能并降低了失败率，且在更大规模的未知实例和独立基准上均保持竞争力。 该研究已被 Findings of EMNLP 2026 接收。
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。