技术博客

最新研究显示，加州大学圣地亚哥分校（UCSD）开发了一种名为DreamPRM的大模型推理方法。该方法采用双层优化框架，有效过滤数据中的“噪音”，从而显著提升数据质量。DreamPRM通过将数据域权重作为可学习参数，动态降低低质量数据域的影响，并增强高信息密度数据域的贡献，例如用于复杂推理的M3CoT数据集。这种方法不仅优化了数据质量，还提升了数据覆盖率，使DreamPRM在MathVista测评榜上名列前茅。

本文为NeurIPS 2024 Spotlight论文，主题聚焦于时间序列预测领域的后门攻击问题。文章首次系统性地定义了时间序列预测中的后门攻击概念，并构建了相应的双层优化数学模型。BackTime作为一种全新的后门攻击范式，旨在探讨如何操纵时间序列预测结果，为该领域的安全性和可靠性提供了新的视角。