Yixuan Li

Dieser Artikel bespricht die Bedeutung und Herausforderungen der Erkennung von Daten ausserhalb der Verteilung im maschinellen Lernen.

Untersuchen, wie In-Distribution-Labels die Out-of-Distribution-Erkennung im Machine Learning beeinflussen.

Aktuelle Modelle haben Schwierigkeiten mit räumlichem Denken und verlassen sich mehr auf Text als auf Bilder.

Die Erforschung des Zusammenspiels von Quiver-Hecke-Algebren und Floer-Homologie in der modernen Mathematik.

Ein neues Framework verbessert die Anpassung von Sprachmodellen an Nutzerpräferenzen.

R2G verbessert die Fähigkeit von Robotern, verbale Anweisungen in 3D-Räumen zu folgen.

INK bietet eine zuverlässige Methode, um Out-of-Distribution-Proben im maschinellen Lernen zu identifizieren.

Eine neue Methode integriert menschliches Feedback, um das OOD-Lernen für Machine-Learning-Modelle zu verbessern.

Die Nutzung schwächerer Sprachmodelle kann die KI-Ausrichtung effizient verbessern.

Ein neues Framework verbessert die Erkennung von falschen Ausgaben in Sprachmodellen mit unbeschrifteten Daten.

Ein graphenbasierter Ansatz zur Verbesserung von maschinellem Lernen in dynamischen Umgebungen.

CodeLutra bringt Modelle bei, aus ihren Erfolgen und Misserfolgen zu lernen.

Lern, wie CONDA der KI hilft, sich anzupassen und verständlich zu bleiben, auch wenn sich die Bedingungen ändern.

Bewertung von KI-Bildern, um effektive Kommunikation in der Werbung sicherzustellen.