LLM-Evolved Regularization Schedules Prevent Posterior Collapse in Latent Factor Analysis via Dynamical Systems
Este trabalho demonstra que a evolução de programas baseada em LLMs (via FunSearch) pode descobrir cronogramas de regularização adaptativos que evitam o colapso da posterior no modelo LFADS, oferecendo uma alternativa computacionalmente eficiente ao treinamento baseado em população.