Learning to Hint for Reinforcement Learning
为强化学习学习提示
机构 * University of California, San Diego（加州大学圣迭戈分校） ； Snowflake AI Research
AI总结 本文提出HiLL框架，通过联合训练提示策略和推理策略，解决强化学习中因提示不足导致的优势崩溃问题，通过提示依赖性理论提升提示的迁移效果，实验显示HiLL在多个基准上优于GRPO和传统提示方法。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
Fundamental Limits of Man-in-the-Middle Attack Detection in Model-Free Reinforcement Learning
模型无关强化学习中中间人攻击检测的基本限制
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了基于学习的中间人攻击检测问题，改进了BDD框架，通过允许奖励函数依赖当前和后续状态来捕捉攻击引起的奖励变化，并证明了检测效率的最优性。
SAU: Sparsity-Aware Unlearning for LLMs via Gradient Masking and Importance Redistribution
SAU: 通过梯度掩码和重要性再分配实现LLM的稀疏性感知反学习
机构 * School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院） ； University of California San Diego（加州大学圣地亚哥分校）
AI总结 本文提出SAU方法，通过梯度掩码和重要性再分配解决稀疏模型中反学习效果下降问题，提升模型遗忘能力并保持实用性。
Science-T2I: Addressing Scientific Illusions in Image Synthesis
Science-T2I: 解决图像合成中的科学幻觉
机构 * New York University（纽约大学） ； University of Washington（华盛顿大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文提出ScienceT2I数据集，评估18种图像生成模型，发现科学提示能显著提升生成效果，提出SciScore奖励模型和两阶段对齐框架提升科学推理能力。
Comments Accepted to CVPR 2025. Code, docs, weight, benchmark and training data are all avaliable at https://jialuo-li.github.io/Science-T2I-Web
