LLM-Evolved Regularization Schedules Prevent Posterior Collapse in Latent Factor Analysis via Dynamical Systems
Cette étude démontre que l'évolution de programmes par des modèles de langage (LLM) permet de découvrir des programmes de régularisation adaptatifs qui préviennent l'effondrement de la distribution postérieure dans le modèle LFADS, offrant ainsi une alternative plus efficace que l'entraînement basé sur la population.