Buchumschlag

Bootstrapping your behavior: a new pretraining strategy for user behavior sequence data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Weichang, Zhang, Xiaolu, Zhou, Jun, Li, Yuchen, Xia, Wenwen
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An Adaptive Placement and Parallelism Framework for Accelerating RLHF Training
von: Xiao, Youshao, et al.
Veröffentlicht: (2023)

Habits and goals in synergy: a variational Bayesian framework for behavior
von: Han, Dongqi, et al.
Veröffentlicht: (2023)

Synthetic continued pretraining
von: Yang, Zitong, et al.
Veröffentlicht: (2024)

Next-token pretraining implies in-context learning
von: Riechers, Paul M., et al.
Veröffentlicht: (2025)

The effectiveness of MAE pre-pretraining for billion-scale pretraining
von: Singh, Mannat, et al.
Veröffentlicht: (2023)

Unifying Bayesian Flow Networks and Diffusion Models through Stochastic Differential Equations
von: Xue, Kaiwen, et al.
Veröffentlicht: (2024)

Boosting deep Reinforcement Learning using pretraining with Logical Options
von: Ye, Zihan, et al.
Veröffentlicht: (2026)

Understanding and Mitigating Overrefusal in LLMs from an Unveiling Perspective of Safety Decision Boundary
von: Pan, Licheng, et al.
Veröffentlicht: (2025)

Exponential Topology-enabled Scalable Communication in Multi-agent Reinforcement Learning
von: Li, Xinran, et al.
Veröffentlicht: (2025)

Flattening Hierarchies with Policy Bootstrapping
von: Zhou, John L., et al.
Veröffentlicht: (2025)

Subliminal Learning: Language models transmit behavioral traits via hidden signals in data
von: Cloud, Alex, et al.
Veröffentlicht: (2025)

VDCook:DIY video data cook your MLLMs
von: Wu, Chengwei
Veröffentlicht: (2026)

Unfolding AIS transmission behavior for vessel movement modeling on noisy data leveraging machine learning
von: Spadon, Gabriel, et al.
Veröffentlicht: (2022)

Do pretrained Transformers Learn In-Context by Gradient Descent?
von: Shen, Lingfeng, et al.
Veröffentlicht: (2023)

Inverse Flow and Consistency Models
von: Zhang, Yuchen, et al.
Veröffentlicht: (2025)

Bootstrapped Reward Shaping
von: Adamczyk, Jacob, et al.
Veröffentlicht: (2025)

Aligning LLM agents with human learning and adjustment behavior: a dual agent approach
von: Liu, Tianming, et al.
Veröffentlicht: (2025)

TRACE: Transformer-based user Representations from Attributed Clickstream Event sequences
von: Black, William, et al.
Veröffentlicht: (2024)

Bootstrap Off-policy with World Model
von: Zhan, Guojian, et al.
Veröffentlicht: (2025)

Self-Improving Pretraining: using post-trained models to pretrain better models
von: Tan, Ellen Xiaoqing, et al.
Veröffentlicht: (2026)

Learn to Think: Bootstrapping LLM Reasoning Capability Through Graph Representation Learning
von: Gao, Hang, et al.
Veröffentlicht: (2025)

Bootstrapping Expectiles in Reinforcement Learning
von: Clavier, Pierre, et al.
Veröffentlicht: (2024)

Imitation Bootstrapped Reinforcement Learning
von: Hu, Hengyuan, et al.
Veröffentlicht: (2023)

Improving the Diversity of Bootstrapped DQN by Replacing Priors With Noise
von: Meng, Li, et al.
Veröffentlicht: (2022)

Understanding the learned look-ahead behavior of chess neural networks
von: Cruz, Diogo
Veröffentlicht: (2025)

Bootstrap SGD: Algorithmic Stability and Robustness
von: Christmann, Andreas, et al.
Veröffentlicht: (2024)

Privacy-Preserving Personalized Federated Learning for Distributed Photovoltaic Disaggregation under Statistical Heterogeneity
von: Chen, Xiaolu, et al.
Veröffentlicht: (2025)

FedCoSR: Personalized Federated Learning with Contrastive Shareable Representations for Label Heterogeneity in Non-IID Data
von: Huang, Chenghao, et al.
Veröffentlicht: (2024)

LVM-GP: Uncertainty-Aware PDE Solver via coupling latent variable model and Gaussian process
von: Feng, Xiaodong, et al.
Veröffentlicht: (2025)

LANPO: Bootstrapping Language and Numerical Feedback for Reinforcement Learning in LLMs
von: Li, Ang, et al.
Veröffentlicht: (2025)

Select to Perfect: Imitating desired behavior from large multi-agent data
von: Franzmeyer, Tim, et al.
Veröffentlicht: (2024)

Classification of 24-hour movement behaviors from wrist-worn accelerometer data: from handcrafted features to deep learning techniques
von: Sameh, Alireza, et al.
Veröffentlicht: (2025)

TrajAware: Graph Cross-Attention and Trajectory-Aware for Generalisable VANETs under Partial Observations
von: Fu, Xiaolu, et al.
Veröffentlicht: (2025)

Between Circuits and Chomsky: Pre-pretraining on Formal Languages Imparts Linguistic Biases
von: Hu, Michael Y., et al.
Veröffentlicht: (2025)

Whispering to a Blackbox: Bootstrapping Frozen OCR with Visual Prompts
von: Samandarov, Samandar, et al.
Veröffentlicht: (2026)

What is the best RNN-cell structure to forecast each time series behavior?
von: Khaldi, Rohaifa, et al.
Veröffentlicht: (2022)

Value of Information-Enhanced Exploration in Bootstrapped DQN
von: Plataniotis, Stergios, et al.
Veröffentlicht: (2025)

Secret mixtures of experts inside your LLM
von: Boix-Adsera, Enric
Veröffentlicht: (2025)

Bootstrapped Model Predictive Control
von: Wang, Yuhang, et al.
Veröffentlicht: (2025)

A constraints-based approach to fully interpretable neural networks for detecting learner behaviors
von: Pinto, Juan D., et al.
Veröffentlicht: (2025)