面向开放世界条件建模的任务扩张与跨精炼
机器学习
2026-03-17 v1 人工智能
摘要
开放世界条件建模(OCM)要求单个模型能够回答跨异构数据集的任意条件查询，其中观察变量和目标会变化并源自广阔的开放性任务宇宙。由于任何有限的数据集集合仅覆盖这一空间的微小部分，本文提出任务扩张与跨精炼(TEXR)，一种通过结构化合成与细化语义数据上下文以扩大有效任务覆盖的半监督框架。TEXR首先生成多样化的未实例化数据模式，通过由大语言模型指导的结构化概率生成器进行弱实例化。随后，在交叉模型精炼中，通过在不相交的数据分区上训练并跨分割修订合成值以减少确认偏差并提高伪值质量。将精炼后的合成数据集与真实数据聚合以训练统一的条件模型。在多个异构表格基准上，TEXR在零样本、少样本和多样本情境下持续提升多个OCM模型的性能，表明结构化任务扩张和跨精炼能够提升开放世界条件建模能力。
引用
@article{arxiv.2603.13308,
title = {Task Expansion and Cross Refinement for Open-World Conditional Modeling},
author = {Shreyas Bhat Brahmavar and Qiyang Liu and Yang Li and Junier Oliva},
journal= {arXiv preprint arXiv:2603.13308},
year = {2026}
}