Neuste Artikel für Modellbewertung

Das SAVE-Modell verbessert die audio-visuelle Segmentierung mit Effizienz und Präzision.

Ein neuer Ansatz, um die Genauigkeit von Modellen ohne Labels während Datenverschiebungen zu messen.

Einblicke in die Herausforderungen des maschinellen Lernens bei der Vorhersage von Materialeigenschaften.

Neuer Massstab verbessert die Bewertung von multimodalen Modellen, indem er Vorurteile minimiert.

Diese Studie untersucht, wie visuelle und textuelle Daten die Leistung von Modellen beeinflussen.

CD-T verbessert das Verständnis von Transformermodellen und erhöht die Interpretation und das Vertrauen.

Neuer Benchmark bewertet Geschlechtervorurteile in KI-Modellen im Zusammenhang mit Jobrollen.

Die Untersuchung von Schwachstellen bei Clean-Label-Backdoor-Angriffen und wie allgemeine Grenzwerte helfen können.

Ein neues Tool zum Testen von Sprachmodellen in lauten Umgebungen.

Ein neuer Ansatz zur Bewertung von ML-Modellen mit Fokus auf Datenaufbereitung.

Die Forschung bewertet die Stabilität von XAI-Methoden mit einem Diabetes-Datensatz.

Eine Studie darüber, wie LLMs mit Codierungsregeln und -beschränkungen umgehen.

Entdecke die Bedeutung und Herausforderungen bei der effektiven Bewertung der Leistung von LLMs.

Ein Blick auf die Leaderboards für Foundation-Modelle und ihre Bewertungsprobleme.

Neue Metriken bieten eine bessere Bewertung der Leistung von generativen Modellen im maschinellen Lernen.

Der Rashomon-Effekt zeigt mehrere effektive Modelle im maschinellen Lernen.

Eine Übersicht über Methoden zur Bewertung von Zeit-bis-Ereignis-Vorhersagen in der Datenwissenschaft.

Untersuchung, wie Invarianz die Modellleistung im Transferlernen beeinflusst.

Die echten Auswirkungen von Post-Training-Methoden auf die Leistung von Sprachmodellen analysieren.

Untersuchung der Schwachstellen von leichten Modellen gegenüber adversarialen Angriffen.

Diese Studie bewertet, wie gut grosse Modelle mit mehreren Objekten in Bildern umgehen können.

Ein Blick auf die Herausforderungen und Innovationen in den Methoden der Anpassung im Diagramm-Bereich.

Diese Forschung verbessert die Zuverlässigkeit von Machine-Learning-Modellen durch Kalibrierungs- und Neukalibrierungstechniken.

Untersuchen der Schwierigkeiten, mit denen Modelle bei langen Sequenzen in verschiedenen Anwendungen konfrontiert sind.

Lern, wie die Auswahl des Zufalls-Samens die Leistung und Zuverlässigkeit von KI-Modellen beeinflusst.

Ein frischer Ansatz zur Bewertung grosser Sprachmodelle für bessere Leistungsanalysen.

Wir stellen HO-FMN vor, um die Bewertung der Robustheit von Maschinenlernmodellen gegen adversarielle Angriffe zu verbessern.

Untersuchung von adversarialen Angriffen und Modellrobustheit in der semantischen Segmentierung.

Wir stellen PACE vor, einen strukturierten Ansatz für vertrauenswürdige KI-Erklärungen.

Eine Übersicht über Praktiken, die das Vertrauen in die Bewertungen von Machine-Learning-Modellen untergraben.

Dieser Artikel untersucht die Effektivität von multimodalen Modellen, die Sprach- und visuellen Daten verwenden.

Wir stellen GOAR vor, eine Methode, um die Wichtigkeit von Features in KI besser zu verstehen.

Dieser Artikel behandelt Probleme mit der Fehlkalibrierung in Vision-Sprach-Modellen und bietet Lösungen an.

Diese Studie bewertet die Denkfähigkeiten von Audio-Sprachmodellen mit einer neuen Aufgabe.

Eine Studie zur Verbesserung von TTA-Methoden für Variationen in echten Daten.

MIBench testet die Leistung von multimodalen Modellen auf mehreren Bildern.

Fortschritte beim Erkennen von Daten, die ausserhalb der Verteilung liegen, mithilfe neuer Techniken.

Eine neue Methode, um die Lernfähigkeiten von Long-Context-Sprachmodellen durch Task Haystack zu bewerten.

Dieser Artikel analysiert die Modellleistung bei verschiedenen Aufgaben und Datensätzen.

Ein Blick auf Methoden zur Modellauswertung und deren Effektivität.