研究者提出样本级温度化信息瓶颈归因框架TIB
热点事件持续更新
研究者提出样本级温度化信息瓶颈归因框架TIB
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
Qiming Huang、Peixi Liu、Jianbo Jiao 提出样本级温度化信息瓶颈框架 TIB，用于多模态归因，论文已被 NeurIPS2026 接收。 该研究针对图像-文本对语义未对齐时，现有信息瓶颈归因方法会过度收缩后验、产生强制解释的问题。TIB 按跨模态可靠性自适应调节归因强度，不假设语义对齐。研究者称，理论分析揭示了现有 IB 归因目标在错配下的结构性缺陷，受控基准与大规模数据集实验验证了这一失效模式及 TIB 的有效性。
AI 根据报道生成 · 47 分钟前更新
最新进展11月11日 13:00
TIB：突破对齐假设的样本级 tempered 信息瓶颈多模态归因方法报道时间线
沿着报道，了解事件的不同侧面。
11月11日
- arXiv cs.AITIB：突破对齐假设的样本级 tempered 信息瓶颈多模态归因方法
针对多模态归因中图像-文本对语义未对齐导致信息瓶颈方法过度收缩后验、产生强制解释的问题，研究者提出 TIB——一种样本级 tempered 信息瓶颈框架，按跨模态可靠性自适应调节归因强度，无需假设语义对齐。理论分析揭示了现有 IB 归因目标在错配下的结构性缺陷，受控基准与大规模数据集实验验证了该失效模式及 TIB 的有效性。论文已被 NeurIPS2026 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。