Himabindu Lakkaraju

Neue Methoden verbessern, wie maschinelles Lernen mit verrauschten Daten umgeht.

Eine Untersuchung, wie CoT-Prompting das Verhalten und die Leistung von Sprachmodellen beeinflusst.

Wir stellen Verifizierbarkeitsanpassung vor für klarere und vertrauenswürdige KI-Erklärungen.

Umgang mit Datenschutzrisiken, während man wertvolle Einblicke aus Machine-Learning-Modellen liefert.

Eine neue Methode verbessert die Sicherheit von Sprachmodellen gegen schädliche Eingaben.

Untersuchen, wie robuste Machine-Learning-Modelle die Effektivität von Erklärungen beeinflussen.

Die Herausforderungen von Selbst-Erklärungen bei grossen Sprachmodellen untersuchen.

SpLiCE hilft, die dichten Daten von CLIP zu klären, damit man sie besser versteht.

Bewertung, wie Datenvergiftung die Methoden zur Evaluierung von Politiken beeinflusst.

Das Verständnis von KI-Entscheidungen ist wichtig für Vertrauen und ethischen Gebrauch.

Die Wirksamkeit von Argumentation in grossen Sprachmodellen untersuchen.

Vorschriften leiten die sichere und faire Nutzung von KI-Technologien in verschiedenen Sektoren.

Forschung zeigt, dass es Ähnlichkeiten in den internen Darstellungen von Bildmodellen gibt.

Die Überprüfung von Datenschutzrisiken bei Modellerklärungen und Strategien zur Verbesserung der Sicherheit.

Eine Methode, um die Vorlieben der Nutzer für die Anpassung von Machine-Learning-Ergebnissen zu verstehen.

Ein einfacher Blick auf grosse Sprachmodelle und wie sie funktionieren.

Untersuchen, wie Feintuning das Denken in Sprachmodellen beeinflusst.