Neuste Artikel für Natursprachverarbeitung

Neue Methoden verbessern, wie wir computergenerierten Text bewerten.

Die Verbesserung von Text-zu-SQL-Modellen durch die Integration unterschiedlicher Frageformulierungen.

Wir stellen BMTPT für verbessertes Prompt-Tuning in Sprachmodellen vor.

Lern, wie die Daten-zu-Text-Generierung komplexe Infos einfacher verständlich macht.

Eine neue Methode schützt die Entscheidungsprivatsphäre in Sprachmodellen und sorgt gleichzeitig für gute Leistung.

Dieser Artikel untersucht die Schwierigkeiten und Techniken beim Aktualisieren von Wissen in Sprachmodellen.

Ein neuer Ansatz, um die Leistung von NLP-Modellen bei unbekannten Daten zu verbessern.

Wege erkunden, um das Denken von LLM zu verbessern, ohne externe Rückmeldungen.

Die Verbesserung von Sprachmodellen für genaue, evidenzbasierte Antworten.

Ein neues Framework, um das Verständnis von LLMs für Code-Aufgaben zu bewerten.

Dieses Papier analysiert die Vorteile von Multi-Head-Attention gegenüber Single-Head-Attention in maschinellen Lernaufgaben.

SafeCoder verbessert die Sicherheit von Code, der von Sprachmodellen erzeugt wird.

Eine neue Methode bewertet die Effektivität von Modifizierung bei der Erstellung längerer Texte.

Eine neue Methode verbessert, wie Sprachmodelle Informationen sammeln und nutzen.

Forschung darüber, wie Transformer die Verallgemeinerung für längere Sequenzen in Additionsaufgaben verbessern.

Ein Überblick über Transformatoren und ihren Einfluss auf die Datenverarbeitung.

Strategien zur Verbesserung der Modellleistung trotz ungleicher Datenverteilung.

Eine neue Methode, um das Verhalten von Sprachmodellen zu verbessern, indem Vorurteile und toxische Ausgaben reduziert werden.

SyntaxShap verbessert das Verständnis von Vorhersagen von Sprachmodellen durch Syntaxanalyse.

SLEB macht LLMs schneller und effizienter, indem überflüssige Transformer-Blöcke entfernt werden.

Eine Übersicht über In-Context Learning und seine praktischen Anwendungen durch das Pelican Soup Framework.

Eine Studie über Zuverlässigkeit und Unsicherheit bei grossen Sprachmodellen.

Ein neuer Ansatz verbessert das kontrastive Lernen durch unterschiedliche Divergenzmasse.

Dieser Artikel bespricht einen neuen Ansatz zur Verbesserung von Textgenerierungsmodellen mit Hilfe von Quantisierung.

Ein tiefgehender Blick darauf, warum Transformatoren mit sensiblen Funktionen kämpfen.

Diese Studie beschreibt Methoden zur Bewertung der Dialoggenerierung hinsichtlich Vielfalt und Qualität.

Studie zeigt, dass Sprachmodelle bei einfachen Textmanipulationen Probleme haben.

Diese Forschung untersucht, wie Sprachmodelle auf richtige im Gegensatz zu falschen Informationen reagieren.

Das TOAD-Dataset verbessert die Kommunikation von virtuellen Assistenten für bessere Nutzerinteraktionen.

Eine neue Methode, um LLMs anzupassen, ohne viel zu labeln.

Ein neues Framework zur Bewertung der Korrektheit von KI-Antworten mit menschlichem Urteil.

Diese Studie untersucht, wie Sprachmodelle ihre Vorhersagen durch In-Context-Lernen anpassen.

Dieser Artikel bespricht eine Methode, um LLMs mit verbalem Feedback zu verbessern, ohne zu übergeneralieren.

Ein Blick darauf, wie Transformer bei unstrukturierten Daten in Regressionsaufgaben glänzen.

Die Zukunft der extraktiven Sprachverarbeitung mit generativen Modellen erkunden.

Ein neuer Ansatz verbessert die Fähigkeit von Sprachmodellen, Sequenzen zu transformieren, obwohl die Daten begrenzt sind.

LinkNER kombiniert NER-Modelle und LLMs für eine bessere Erkennung von benannten Entitäten.

Diese Forschung konzentriert sich darauf, Sprachmodelle zu verbessern, indem ihr Umgang mit Negation verfeinert wird.

Ein Rahmen, um das Verständnis von Abstraktion bei LLMs zu verbessern.

Eine Studie über das Mischen von domänenspezifischen Adaptern für bessere KI-Leistung.