跳到正文
热点事件持续更新

LR-Merge无标签模型合并校正方法发布

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

2026年11月20日,arXiv cs.lg 板块发布了一项关于模型合并的最新研究。由 Ido Nitzan Hidekel 和 Dan Raviv 提出的 LR-Merge 方法,旨在解决模型合并过程中产生的干扰问题。该方法创新性地通过冻结接收模型的局部响应来构建代理模型,无需对合并后的网络进行反向传播,即可实现标签无关(label-free)的干扰校正。 在技术实现上,LR-Merge 利用凸教师匹配在无标签探针上优化合并系数。这种设计避免了昂贵的迭代训练过程,显著提升了效率。根据研究数据,该方法的收敛速度约为精确教师匹配所需的三分之一,表现出更高的计算性价比。 在应用验证方面,研究者将其应用于视觉和语言模型实验中。结果显示,LR-Merge 在性能上优于测试过的所有闭式、各向同性及稀疏化基础合并器。这标志着在无需标签数据的前提下,模型合并的校正精度与效率均取得了显著进展。

AI 根据报道生成 · 15 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. arXiv · ML
    模型合并干扰预测与校正方法 LR-Merge

    研究者提出 LR-Merge 方法,通过冻结接收模型局部响应构建代理模型,利用凸教师匹配优化合并系数,无需反向传播即可校正模型合并干扰。 该方法在视觉和语言模型实验中优于所有测试的闭式、各向同性及稀疏化基础合并器,收敛速度约为精确教师匹配的三分之一。

本事件热度走势

可比范围当前
6
可比范围峰值
911月20日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。