本文解决了大规模语言模型在生成过程中缺乏自我评估和修正能力的问题。提出的ReVISE框架通过内在自我验证使模型能够自我修正输出，采用结构化的在线偏好学习课程实现效率。实验表明，ReVISE在推理任务中显著提高了推理性能，实现了高效的自我修正。

XQ拒绝了对方的爱，对方反思为何未能成功，认为爱情需要合适的表达方式。他感到孤独和无奈，最终承认与自己相爱，强调内在的精神财富才是真正的幸福。

该研究探讨了变分自编码器（VAE）中的隐藏表示，提出了内在维度和信息不平衡的新理解。研究发现，当瓶颈大小超过内在维度时，VAE的行为会发生变化，并确认了快速拟合与缓慢泛化的训练阶段。这为优化架构搜索和诊断欠拟合问题提供了新工具。

本研究探讨了强化学习中的稀疏奖励问题，提出了一种结合好奇心驱动探索与无监督辅助任务的新方法。通过内在动机学习和模仿学习优化探索行为，提升样本效率和泛化能力。同时，研究介绍了多智能体内在奖励框架及其在复杂环境中的应用，强调内在奖励的重要性。

本文研究了模型性能与内在偏差的关系，提出通过外部微调去除偏差的方法。实验证明，内在偏差指标能更有效地评估去偏差效果，并指出现有评估措施的局限性。研究还探讨了性别偏见的缓解策略及其对下游任务的影响，提出因果检测微调方法可在不降低性能的情况下缓解偏见。

构建公平的深度神经网络是实现可信的人工智能的关键步骤。研究发现深度神经网络内部的几何特征对公平性有影响。提出了内在维度正则化（IDR）的方法，减轻模型偏见并改善性能。

该研究提出了一种名为KGAN的知识图增强网络，用于细粒度情感分析任务。该方法通过学习语境和句法表示来捕获情感特征，并结合知识图和RoBERTa模型获取方面特定的知识表示。实验证明该方法在ABSA数据集上取得了最先进的性能。

最近的研究发现，通过对大语言模型（LLM）的内部激活进行训练，可以推断其真实性。本研究详细研究了LLM对真实性的表示结构，并提出证据表明LLM线性地表示事实陈述的真实性或虚假性。同时，介绍了一种新技术，质量均值推断法，具有更好的推广性和与模型输出相关性。

我们使用探测任务来检验预训练模型对源代码的学习程度，并发现结构信息对源代码的特征表示具有改进效果，同时发现 BERT 在某些探测任务上与源代码模型竞争力相当，暗示改进源代码特定的预训练有丰富的机会。

该文介绍了一种新的神经网络模型SASANet，通过引入Shapley值实现自解释性和泛化性。该模型采用基于边际贡献的串行架构和内部精炼训练策略，能够精确地建模任意数量特征的有意义的价值函数。