Buchumschlag

MOYU: A Theoretical Study on Massive Over-activation Yielded Uplifts in LLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ma, Chi, Huang, Mincong, Wang, Chao, Wang, Yujie, Yu, Lei
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dynamic Activation Pitfalls in LLaMA Models: An Empirical Study
von: Ma, Chi, et al.
Veröffentlicht: (2024)

First Activations Matter: Training-Free Methods for Dynamic Activation in Large Language Models
von: Ma, Chi, et al.
Veröffentlicht: (2024)

Re-evaluating the Memory-balanced Pipeline Parallelism: BPipe
von: Huang, Mincong, et al.
Veröffentlicht: (2024)

QQQ: Quality Quattuor-Bit Quantization for Large Language Models
von: Zhang, Ying, et al.
Veröffentlicht: (2024)

Graph Neural Network with Two Uplift Estimators for Label-Scarcity Individual Uplift Modeling
von: Zhu, Dingyuan, et al.
Veröffentlicht: (2024)

Robustness-enhanced Uplift Modeling with Adversarial Feature Desensitization
von: Sun, Zexu, et al.
Veröffentlicht: (2023)

UTBoost: Gradient Boosted Decision Trees for Uplift Modeling
von: Gao, Junjie, et al.
Veröffentlicht: (2023)

A Comparative Study of Model Adaptation Strategies for Multi-Treatment Uplift Modeling
von: Zhang, Ruyue, et al.
Veröffentlicht: (2025)

Orthogonal Uplift Learning with Permutation-Invariant Representations for Combinatorial Treatments
von: Su, Xinyan, et al.
Veröffentlicht: (2026)

Rankability-enhanced Revenue Uplift Modeling Framework for Online Marketing
von: He, Bowei, et al.
Veröffentlicht: (2024)

Less is More: on the Over-Globalizing Problem in Graph Transformers
von: Xing, Yujie, et al.
Veröffentlicht: (2024)

Benchmarking for Deep Uplift Modeling in Online Marketing
von: Liu, Dugang, et al.
Veröffentlicht: (2024)

Hierarchical Contextual Uplift Bandits for Catalog Personalization
von: Agrawal, Anupam, et al.
Veröffentlicht: (2026)

Boosting Graph Robustness Against Backdoor Attacks: An Over-Similarity Perspective
von: Liu, Chang, et al.
Veröffentlicht: (2025)

Evaluating Uplift Modeling under Structural Biases: Insights into Metric Stability and Model Robustness
von: Yang, Yuxuan, et al.
Veröffentlicht: (2026)

Uplift modeling with continuous treatments: A predict-then-optimize approach
von: De Vos, Simon, et al.
Veröffentlicht: (2024)

A New Transformation Approach for Uplift Modeling with Binary Outcome
von: Li, Kun, et al.
Veröffentlicht: (2023)

FairUDT: Fairness-aware Uplift Decision Trees
von: Zahid, Anam, et al.
Veröffentlicht: (2025)

A Theoretical Analysis of Self-Supervised Learning for Vision Transformers
von: Huang, Yu, et al.
Veröffentlicht: (2024)

A Theoretical Analysis of Noise Geometry in Stochastic Gradient Descent
von: Wang, Mingze, et al.
Veröffentlicht: (2023)

Entire Chain Uplift Modeling with Context-Enhanced Learning for Intelligent Marketing
von: Huang, Yinqiu, et al.
Veröffentlicht: (2024)

Can Slow-thinking LLMs Reason Over Time? Empirical Studies in Time Series Forecasting
von: Cheng, Mingyue, et al.
Veröffentlicht: (2025)

Uplift Modeling Under Limited Supervision
von: Panagopoulos, George, et al.
Veröffentlicht: (2024)

Theoretical Analysis of Inductive Biases in Deep Convolutional Networks
von: Wang, Zihao, et al.
Veröffentlicht: (2023)

Which Company Adjustment Matter? Insights from Uplift Modeling on Financial Health
von: Wang, Xinlin, et al.
Veröffentlicht: (2025)

Is Inverse Reinforcement Learning Harder than Standard Reinforcement Learning? A Theoretical Perspective
von: Zhao, Lei, et al.
Veröffentlicht: (2023)

Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy
von: Sapru, Deepit
Veröffentlicht: (2025)

A Theoretical Study of Neural Network Expressive Power via Manifold Topology
von: Yao, Jiachen, et al.
Veröffentlicht: (2024)

Learning to Think: Information-Theoretic Reinforcement Fine-Tuning for LLMs
von: Wang, Jingyao, et al.
Veröffentlicht: (2025)

Polybasic Speculative Decoding Through a Theoretical Perspective
von: Wang, Ruilin, et al.
Veröffentlicht: (2025)

Robust Uplift Modeling with Large-Scale Contexts for Real-time Marketing
von: Sun, Zexu, et al.
Veröffentlicht: (2025)

We Have It Covered: A Resampling-based Method for Uplift Model Comparison
von: Liu, Yang, et al.
Veröffentlicht: (2025)

Jointly Optimizing Debiased CTR and Uplift for Coupons Marketing: A Unified Causal Framework
von: Yang, Siyun, et al.
Veröffentlicht: (2026)

On the Convergence Analysis of Over-Parameterized Variational Autoencoders: A Neural Tangent Kernel Perspective
von: Wang, Li, et al.
Veröffentlicht: (2024)

Direct Profit Estimation Using Uplift Modeling under Clustered Network Interference
von: Akker, Bram van den
Veröffentlicht: (2025)

ORGEval: Graph-Theoretic Evaluation of LLMs in Optimization Modeling
von: Wang, Zhuohan, et al.
Veröffentlicht: (2025)

Secrets of GFlowNets' Learning Behavior: A Theoretical Study
von: Yu, Tianshu
Veröffentlicht: (2025)

Activation Compression in LLMs: Theoretical Analysis and Efficient Algorithm
von: Wei, Wen-Da, et al.
Veröffentlicht: (2026)

TSC: A Simple Two-Sided Constraint against Over-Smoothing
von: Peng, Furong, et al.
Veröffentlicht: (2024)

Dataset Watermarking for Closed LLMs with Provable Detection
von: Huang, Pengrun, et al.
Veröffentlicht: (2026)