Buchumschlag

Tell Me What To Learn: Generalizing Neural Memory to be Controllable in Natural Language

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bennett, Max S., Zollo, Thomas P., Zemel, Richard
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Confidence Calibration in Vision-Language-Action Models
von: Zollo, Thomas P, et al.
Veröffentlicht: (2025)

Unsupervised Confidence Calibration for Reasoning LLMs from a Single Generation
von: Zollo, Thomas, et al.
Veröffentlicht: (2026)

Adaptive Elicitation of Latent Information Using Natural Language
von: Wang, Jimmy, et al.
Veröffentlicht: (2025)

Test-Time Warmup for Multimodal Large Language Models
von: Rajaneesh, Nikita, et al.
Veröffentlicht: (2025)

Distribution-Free Statistical Dispersion Control for Societal Applications
von: Deng, Zhun, et al.
Veröffentlicht: (2023)

Prompt Risk Control: A Rigorous Framework for Responsible Deployment of Large Language Models
von: Zollo, Thomas P., et al.
Veröffentlicht: (2023)

Towards Effective Discrimination Testing for Generative AI
von: Zollo, Thomas P., et al.
Veröffentlicht: (2024)

Guiding LLM Decision-Making with Fairness Reward Models
von: Hall, Zara, et al.
Veröffentlicht: (2025)

Whom to Query for What: Adaptive Group Elicitation via Multi-Turn LLM Interactions
von: Ding, Ruomeng, et al.
Veröffentlicht: (2026)

QuEst: Enhancing Estimates of Quantile-Based Distributional Measures Using Model Predictions
von: Deng, Zhun, et al.
Veröffentlicht: (2025)

Improving Predictor Reliability with Selective Recalibration
von: Zollo, Thomas P., et al.
Veröffentlicht: (2024)

Online Algorithmic Recourse by Collective Action
von: Creager, Elliot, et al.
Veröffentlicht: (2023)

Few-Shot Design Optimization by Exploiting Auxiliary Information
von: Mani, Arjun, et al.
Veröffentlicht: (2026)

Level Up: Defining and Exploiting Transitional Problems for Curriculum Learning
von: Tang, Zhenwei, et al.
Veröffentlicht: (2026)

"So, Tell Me About Your Policy...": Distillation of interpretable policies from Deep Reinforcement Learning agents
von: Dispoto, Giovanni, et al.
Veröffentlicht: (2025)

Integrating Present and Past in Unsupervised Continual Learning
von: Zhang, Yipeng, et al.
Veröffentlicht: (2024)

FedMeS: Personalized Federated Continual Learning Leveraging Local Memory
von: Xie, Jin, et al.
Veröffentlicht: (2024)

Always Tell Me The Odds: Fine-grained Conditional Probability Estimation
von: Wang, Liaoyaqi, et al.
Veröffentlicht: (2025)

Let the Experts Speak: Improving Survival Prediction & Calibration via Mixture-of-Experts Heads
von: Morrill, Todd, et al.
Veröffentlicht: (2025)

Out of the Ordinary: Spectrally Adapting Regression for Covariate Shift
von: Eyre, Benjamin, et al.
Veröffentlicht: (2023)

Position: What Can Large Language Models Tell Us about Time Series Analysis
von: Jin, Ming, et al.
Veröffentlicht: (2024)

Towards Understanding Self-Pretraining for Sequence Classification
von: Coser, Omar, et al.
Veröffentlicht: (2026)

What LLMs Think When You Don't Tell Them What to Think About?
von: Kwon, Yongchan, et al.
Veröffentlicht: (2026)

What Radio Waves Tell Us about Sleep
von: He, Hao, et al.
Veröffentlicht: (2024)

Replay Can Provably Increase Forgetting
von: Mahdaviyeh, Yasaman, et al.
Veröffentlicht: (2025)

Leveraging Lightweight Generators for Memory Efficient Continual Learning
von: Lamers, Christiaan, et al.
Veröffentlicht: (2025)

MeMo: Memory as a Model
von: Quek, Ryan Wei Heng, et al.
Veröffentlicht: (2026)

Graph Structure Learning with Interpretable Bayesian Neural Networks
von: Wasserman, Max, et al.
Veröffentlicht: (2024)

MeSH: Memory-as-State-Highways for Recursive Transformers
von: Yu, Chengting, et al.
Veröffentlicht: (2025)

Neural Chameleons: Language Models Can Learn to Hide Their Thoughts from Unseen Activation Monitors
von: McGuinness, Max, et al.
Veröffentlicht: (2025)

CEV-LM: Controlled Edit Vector Language Model for Shaping Natural Language Generations
von: Moorjani, Samraj, et al.
Veröffentlicht: (2024)

Structured Inverse-Free Natural Gradient: Memory-Efficient & Numerically-Stable KFAC
von: Lin, Wu, et al.
Veröffentlicht: (2023)

Tell What You Hear From What You See -- Video to Audio Generation Through Text
von: Liu, Xiulong, et al.
Veröffentlicht: (2024)

CoMeT: Collaborative Memory Transformer for Efficient Long Context Modeling
von: Zhao, Runsong, et al.
Veröffentlicht: (2026)

Your Pretrained Model Tells the Difficulty Itself: A Self-Adaptive Curriculum Learning Paradigm for Natural Language Understanding
von: Feng, Qi, et al.
Veröffentlicht: (2025)

A Comprehensive Evaluation of Neural SPARQL Query Generation from Natural Language Questions
von: Diallo, Papa Abdou Karim Karou, et al.
Veröffentlicht: (2023)

Incorruptible Neural Networks: Training Models that can Generalize to Large Internal Perturbations
von: Jacobson, Philip, et al.
Veröffentlicht: (2026)

What Can 240,000 New Credit Transactions Tell Us About the Impact of NGEU Funds?
von: Ortiz, Alvaro, et al.
Veröffentlicht: (2025)

Learning Memory Kernels in Generalized Langevin Equations
von: Lang, Quanjun, et al.
Veröffentlicht: (2024)

Partial Federated Learning
von: Feng, Tiantian, et al.
Veröffentlicht: (2024)