Últimos artículos para Evaluación del Modelo

Nuevo estándar evalúa cómo los modelos de lenguaje en video manejan las imprecisiones de manera efectiva.

APIGen genera conjuntos de datos diversos y de alta calidad para agentes de llamada a funciones.

Un nuevo método para detectar sesgos en el entrenamiento de modelos de lenguaje.

El modelo SAVE mejora la segmentación audio-visual con eficiencia y precisión.

Un nuevo enfoque para medir la precisión del modelo sin etiquetas durante cambios en los datos.

Perspectivas sobre los desafíos del aprendizaje automático en la predicción de propiedades de materiales.

Nuevo estándar mejora la evaluación de modelos multimodales al minimizar sesgos.

Este estudio examina cómo los datos visuales y textuales afectan el rendimiento del modelo.

CD-T mejora la comprensión de los modelos de transformadores, lo que mejora la interpretación y la confianza.

Nuevo estándar evalúa el sesgo de género en modelos de IA relacionados con roles laborales.

Examinando las vulnerabilidades de los ataques de puerta trasera con etiquetas limpias y cómo los límites de generalización pueden ayudar.

Una nueva herramienta para probar modelos de lenguaje en entornos ruidosos.

Un nuevo enfoque para evaluar modelos de ML centrándose en la preparación de datos.

La investigación evalúa la estabilidad de los métodos de XAI usando un conjunto de datos de diabetes.

Un estudio sobre cómo los LLMs manejan reglas y restricciones de codificación.

Descubre la importancia y los retos de evaluar el rendimiento de los LLM de manera efectiva.

Una mirada a las tablas de clasificación de modelos de fundación y sus problemas de evaluación.

N nuevas métricas ofrecen una mejor evaluación del rendimiento de los modelos generativos en el aprendizaje automático.

El Efecto Rashomon revela múltiples modelos efectivos en el aprendizaje automático.

Una revisión de métodos para evaluar predicciones de tiempo hasta el evento en ciencia de datos.

Examinando cómo la invariancia afecta el rendimiento del modelo en el aprendizaje por transferencia.

Analizando los verdaderos efectos de los métodos post-entrenamiento en el rendimiento de los modelos de lenguaje.

Examinando las vulnerabilidades de los modelos ligeros frente a ataques adversariales.

Este estudio evalúa qué tan bien manejan los modelos grandes múltiples objetos en las imágenes.

Una mirada a los desafíos y las innovaciones en los métodos de adaptación de dominio en grafos.

Esta investigación mejora la fiabilidad de los modelos de aprendizaje automático a través de técnicas de calibración y recalibración.

Examinando las dificultades que enfrentan los modelos con secuencias largas en varias aplicaciones.

Aprende cómo la selección aleatoria de semillas afecta el rendimiento y la fiabilidad del modelo de IA.

Una nueva forma de evaluar modelos de lenguaje grandes para obtener mejores ideas sobre su rendimiento.

Presentamos HO-FMN para una mejor evaluación de la robustez de los modelos de aprendizaje automático contra ataques adversariales.

Examinando ataques adversariales y la robustez del modelo en segmentación semántica.

Presentamos PACE, un enfoque estructurado para explicaciones de IA confiables.

Una visión general de las prácticas que socavan la confianza en las evaluaciones de modelos de aprendizaje automático.

Este artículo examina la efectividad de los modelos multimodales usando datos de lenguaje y visuales.

Te presentamos GOAR, un método para entender mejor la importancia de las características en la IA.

Este artículo trata sobre problemas de descalibración en modelos de visión-lenguaje y ofrece soluciones.

Este estudio evalúa las habilidades de razonamiento de modelos de audio-lenguaje con una nueva tarea.

Un estudio sobre cómo mejorar los métodos de TTA para las variaciones en datos del mundo real.

MIBench prueba el rendimiento de modelos multimodales en varias imágenes.

Avances en la detección de datos fuera de distribución usando nuevas técnicas.