#ICLR2025 social media round-up
第十三国际学习表现会议（ICLR 2025）于2025年4月24日至28日在新加坡举行。该会议由12个受邀的演讲，海报，口头演讲，讲习班和社交活动。我们收集了来自与会者的一些社交媒体帖子，以为您提供活动的味道。在以下任何会议中见到我们[…]
FocalLens: Instruction Tuning Enables Zero-Shot Conditional Image Representations
本文在ICLR 2025的野外基础模型的研讨会上接受了本文的理解本质上是上下文 - 我们在图像中关注的内容取决于手头的任务。例如，考虑到一个人拿着一束鲜花的人的图像，我们可能会根据感兴趣的背景而专注于他们的衣服或花的类型。但是，大多数现有的图像编码范式代表图像作为固定的通用特征向量，可忽视优先考虑不同下游用例的不同视觉信息的潜在需求。在…
Sakana AI hävdar att de skapat den första AI-genererade expertgranskade vetenskapliga artikeln
日本初创公司Sakana AI声称根据Sakana取得了成就，该公司通过创建了第一个AI生成的，经过同行评审的科学文章。根据该公司的数据，其称为AI Scientist-V2的AI系统已成功生成了三篇科学文章，其中一篇是在国际学习表现会议（ICLR）2025研讨会上接受的。批准的文章包含[…] Sakana Post Sakana AI声称，他们创建了第一个AI生成的专家评论科学文章，首次出现在AI News上。
Interview with Sherry Yang: Learning interactive real-world simulators
Sherry Yang、Yilun Du、Kamyar Ghasemipour、Jonathan Tompson、Leslie Kaelbling、Dale Schuurmans 和 Pieter Abbeel 凭借其论文《学习交互式真实世界模拟器》在 ICLR2024 上获得了优秀论文奖。在论文中，他们介绍了一种通用模拟器（称为 UniSim），它接受图像和文本输入来训练机器人模拟器。我们与 Sherry 进行了交谈 [...]
An iterative refinement model for PROTAC-induced structure prediction
这项工作被接受为 ICLR 2024 生物分子设计生成和实验视角研讨会的口头报告。有关更多信息，请查看我们在 arXiv 上的论文。什么是 PROTAC？蛋白质是分子机器，可执行人体生长所需的许多功能。当蛋白质发生故障时 […]
Discovering the systematic errors made by machine learning models
使用跨模态嵌入发现系统性错误在这篇博文中，我们介绍了 Domino，这是一种发现机器学习模型系统性错误的新方法。我们还讨论了定量评估 Domino 等方法的框架。链接：📄 论文（ICLR 2022）🌍 更长的演练💻 GitHub📘 文档📒 Google Colab 实现高总体准确率的机器学习模型通常会在连贯的验证数据切片上犯系统性错误。什么是切片？切片是一组具有共同特征的数据样本。例如，在大型图像数据集中，老式汽车的照片构成一个切片（即切片中的所有图像都有一个共同的主题）。术语切片有许多您可能更熟悉的同义词（例如子组、子群体、地层）。这些术语基本上可以互换，但在本文中我们将坚持使用“切片”。如
Discovering the systematic errors made by machine learning models
使用跨模态嵌入发现系统性错误在这篇博文中，我们介绍了 Domino，这是一种发现机器学习模型系统性错误的新方法。我们还讨论了定量评估 Domino 等方法的框架。链接：📄 论文（ICLR 2022）🌍 更长的演练💻 GitHub📘 文档📒 Google Colab 实现高总体准确率的机器学习模型通常会在连贯的验证数据切片上犯系统性错误。什么是切片？切片是一组具有共同特征的数据样本。例如，在大型图像数据集中，老式汽车的照片构成一个切片（即切片中的所有图像都有一个共同的主题）。术语切片有许多您可能更熟悉的同义词（例如子组、子群体、地层）。这些术语基本上可以互换，但在本文中我们将坚持使用“切片”。如
Selective Classification Can Magnify Disparities Across Groups
选择性分类是一种在错误代价高昂的环境中部署模型的有效方法，即当模型对预测不确定时，允许它们“弃权”。例如，在医学领域，模型错误可能会造成生死攸关的后果，但弃权问题可以通过让医生做出诊断来轻松处理。在从视觉 123 到 NLP 45 的一系列应用中，即使是简单的选择性分类器，仅依赖于模型逻辑，也会通过弃权而经常显著提高准确性。这使得选择性分类成为 ML 从业者 67 的有力工具。然而，在我们最近的 ICLR 论文中，我们发现尽管选择性分类可以可靠地提高平均准确率，但它可能无法提高甚至损害某些数据子群体的准确率。作为一个激励人心的例子，考虑通过胸部 X 光片诊断胸腔积液或肺部积液的任务。胸腔积液通
Selective Classification Can Magnify Disparities Across Groups
选择性分类是一种在错误代价高昂的环境中部署模型的有效方法，即当模型对预测不确定时，允许它们“弃权”。例如，在医学领域，模型错误可能会产生生死攸关的后果，但弃权可以通过退到医生那里，然后由医生做出诊断来轻松处理。在从视觉 123 到 NLP 45 的一系列应用中，即使是简单的选择性分类器，仅依赖于模型逻辑，也会通过弃权而经常显著提高准确性。这使得选择性分类成为 ML 从业者 67 的有力工具。然而，在我们最近的 ICLR 论文中，我们发现，尽管选择性分类可以可靠地提高平均准确率，但它可能无法提高甚至损害某些数据子群体的准确率。作为一个激励人心的例子，考虑通过胸部 X 光片诊断胸腔积液或肺部积液的
