新西兰财政部长Bill English预测,开放数据和大数据分析的兴起将戏剧性地改变政府开展业务的方式,其中的一项为50年来政府制定财政预算的方式或会出现变化。
English参加了在奥克兰举行的新西兰Data Futures Forum(数据未来论坛)早餐聚会,他表示,政府机构拥有的信息很少有不可以公开的。
Bill English
English指,在过去,一个政府机构的职能一部分是处决于这个机构控制的数据。然而,一旦这些数据公开后,设于政府和公民之间的这些机构就不再控制这些数据,因而,这些数据就成了开放数据,任何人都可以分析这些数据。
他表示,如果现届政府再次当选的话,必将采纳上述的观点并会积极改变政府用来规划和评估目标和成就的方式,进而改变制定预算案的过程。
English表示,新西兰政府已经发表了一个成果框架(Results Framework),以期达到可量化的“更好的公共服务”目标,而开放数据和大数据将有助于政府衡量这些目标的实现。
English在他的描述里指,在过去,社会服务的交付是一个“被动的工业模式”。没有人真正了解哪些计划是成功的,哪些是不成功的。
他称新西兰政府现在正在朝着更加个性化服务的方向迈进,个性化服务是指要提供一个“每个人各自了解自己的需要以及作为回报自己需要做什么”的模式。
参加早餐聚会的人大都来自私营机构。English在早餐上表示,“企业需要了解客户。需要了解是因这样做对收入有好处。我们也需要了解,是因为这样做对开支有好处。”
作为一个例子,他提到教育系统,他表示学校是一个具有丰富数据的环境,从幼儿教育直到进入劳动力市场的表现或许在不远的将来都是可以用数据进行衡量的。
English称新西兰的隐私法经过修订后已经消除了“常识”解决方案的障碍。不过,在欧盟和其他地区,人们又提出一些新的问题,如“被遗忘的权利”,要解决此类问题可能需要再一次改变规则,因而可能会转化为政治压力。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。