📖 NLP 理解

🧪 ICML2026 · 2 篇论文解读

📌 同领域跨会议浏览： 💬 ACL2026 (33) · 🤖 AAAI2026 (2) · 🧠 NeurIPS2025 (2) · 📹 ICCV2025 (1) · 🧪 ICML2025 (1) · 💬 ACL2025 (30)

Causal Fine-Tuning under Latent Confounded Shift

本文提出 Causal Fine-Tuning (CFT)：在标准 BERT 微调里嵌入一个 SCM 启发的"高级稳定特征 \(C\) + 低级混杂敏感特征 \(\Phi\)"分解，并用 front-door 风格的 do-calculus 调整公式做预测，在文本伪相关注入攻击下显著优于 SFT/SWA/WISE 等单域泛化基线。

Controlling the Risk of Corrupted Contexts for Language Models via Early-Exiting

本文把"用户提供的损坏上下文会降低 LLM 性能"这个问题形式化为风险控制——以 zero-shot 表现作"安全基线"，结合动态 early-exit（在中间层就出预测避免后层 overthink 有害上下文）+ context-aware 损失 + 改进的 Learn-then-Test 框架（保留负损失值用风险变换而非裁剪），在 9 个任务上既保证风险 ≤ user-specified \(\epsilon\)，又获得 > 50% 的算力加速。