Yixuan Li

Examinando cómo los datos moldean la alineación de los modelos de IA con las preferencias humanas.

Presentando un nuevo marco para animaciones realistas de peatones en el entrenamiento de vehículos autónomos.

Introduciendo métodos para guiar a los modelos de lenguaje en mostrar rasgos de personalidad específicos.

Este artículo habla sobre la importancia y los desafíos de la detección de fuera de distribución en el aprendizaje automático.

Examinando cómo las etiquetas dentro de la distribución afectan la detección fuera de la distribución en aprendizaje automático.

Los modelos actuales tienen problemas con el razonamiento espacial, confiando más en texto que en imágenes.

Explorando la interacción entre álgebras de quiver Hecke y homología de Floer en las matemáticas modernas.

Un nuevo marco mejora la alineación de los modelos de lenguaje con las preferencias de los usuarios.

R2G mejora la habilidad de los robots para seguir instrucciones verbales en espacios 3D.

INK ofrece un método confiable para identificar muestras fuera de distribución en aprendizaje automático.

Un nuevo método integra la aportación humana para mejorar el aprendizaje OOD en los modelos de machine learning.

Usar modelos de lenguaje más débiles puede mejorar la alineación de la IA de manera eficiente.

Un nuevo marco mejora la detección de salidas falsas en modelos de lenguaje usando datos no etiquetados.

Un enfoque basado en grafos para mejorar el aprendizaje automático en entornos dinámicos.

CodeLutra enseña a los modelos a aprender de sus éxitos y fracasos.

Descubre cómo CONDA ayuda a la IA a adaptarse y seguir siendo interpretable en condiciones cambiantes.

Evaluando imágenes de IA para asegurar una comunicación efectiva en la publicidad.