Difan Zou

La investigación se centra en mejorar la eficiencia del entrenamiento en gráficos dinámicos.

Explorando métodos para mejorar el aprendizaje automático en entornos de grafos dinámicos.

Este estudio examina cómo el precondicionamiento puede mejorar el rendimiento del SGD en comparación con la regresión ridge.

Este estudio examina cómo la profundidad del transformador afecta las tareas de aprendizaje.

Un nuevo marco mejora la planificación de viajes para modelos de lenguaje grandes.

Investigando cómo pequeños errores en los datos de entrenamiento mejoran el contenido generado por IA.

Enfoque innovador para guiar modelos de lenguaje grandes usando autoevaluación.

Este estudio investiga cómo los transformadores aprenden a través de la atención multi-cabeza en tareas de regresión.

Investigando el impacto de la reducción de la tasa escasa en el rendimiento del modelo Transformer.

Descubre cómo la generación paralelizada transforma la producción de imágenes y videos.