Samet Oymak

Ein Blick darauf, wie Aufmerksamkeitsmechanismen die Sprachverarbeitung in KI verbessern.

Erschliessen, wie Transformer sich anpassen, um Ausgaben in unbekannten Systemen vorherzusagen.

Ein Blick darauf, wie Transformer Aufmerksamkeits-Layer für besseres Sprachverständnis nutzen.

Die Fähigkeiten von Mamba und ihr hybrides Modell mit Transformern untersuchen.

Wir stellen CAP vor, um Fairness und Effizienz in Machine-Learning-Modellen zu verbessern.

Eine neue Methode verbessert das föderierte Lernen, indem sie die Unterschiede zwischen den Clients berücksichtigt.

TREACLE hilft Nutzern dabei, die besten Sprachmodelle im Rahmen von Budget- und Zeitlimits auszuwählen.

Ein genauerer Blick auf Selbstaufmerksamkeitsmechanismen in Sprachverarbeitungsmodellen.

Eine Studie zeigt Erkenntnisse zur Leistung des kontextuellen Lernens bei verschiedenen Modellarchitekturen.

Selektive Selbstaufmerksamkeit verbessert das Sprachverständnis, indem sie sich auf wichtige Informationen konzentriert.