本文介绍了Longbench V2，这是一种基准测试，旨在评估LLM的能力处理长篇小说问题，需要在现实世界中进行深入理解和推理。 Longbench V2由503个挑战性的多项选择问题组成，上下文范围从8K到2M单词，跨越了六个主要任务类别：单案QA，多文档质量质量质量检查，长期内在的内在学习，长期元素历史记录理解，代码reposority Reposority，代码恢复性的理解以及长期结构化的数 ...

在线社会系统面临的主要挑战之一是反社会行为的普遍性，例如骚扰和人身攻击。在这项工作中，我们介绍了从对话开始时预测是否会失控的任务。与发现事实后发现不良行为相比，此任务旨在在可能仍能挽救对话的时候实现早期，可行的预测 ...

深度学习方法已经显着提出了各种数据驱动的任务，例如回归，分类和预测。但是，这种进步的大部分是基于强烈但通常不切实际的假设，即训练数据集相对于它们所包含的目标是平衡的。这种与现实情况的未对准，在现实世界中，数据经常失衡，这阻碍了此类模型在实际应用中的有效性 ...

现实世界中的数据通常显示出不平衡的分布，其中某些目标值的观察值大大较少。现有用于处理不平衡数据的技术集中在具有分类指数的目标上，即 ...

记忆在机器学习（ML）中的作用引起了极大的关注，尤其是在经验观察到现代模型以记住训练数据的片段时。以前的理论分析，例如费尔德曼的开创性工作，将记忆归因于训练数据中长尾分布的普遍性，这证明了在分布尾部的样本中不可避免的。但是，记忆和值得信赖的ML研究的交集揭示了关键的差距 ...

长尾数据是一种特殊的多类失衡数据，具有大量的少数族裔/尾巴，具有非常明显的综合影响。长尾学习旨在在具有长尾分布的数据集上建立高性能模型，这些模型可以以高准确性识别所有类，尤其是少数族裔/尾巴类。这是一个尖端的研究方向，在过去几年中吸引了大量的研究工作 ...

广义零射击学习（GZSL）旨在识别具有辅助语义信息（例如类别属性）的新类别 ...

工业异常检测 (AD) 的最新进展表明，在训练期间合并一些异常样本可以显着提高准确性。然而，这种性能改进的代价很高：大量的注释工作，这在现实应用程序中通常是不切实际的。在这项工作中，我们提出了一种名为“弱监督RESidual Transformer”（WeakREST）的新颖框架，旨在实现高AD准确性，同时最大限度地减少对大量注释的需求 ...