Últimos artículos para Evaluación del Modelo

Examinando el impacto de la descalibración en la resiliencia de los modelos de NLP ante ataques adversariales.

Un nuevo método mejora la robustez de las pruebas de los modelos de lenguaje al priorizar la novedad.

Examinando el entrenamiento adversarial para hacer modelos de aprendizaje automático más fuertes contra ataques.

Los modelos de lenguaje grandes tienen problemas para extraer con precisión las relaciones entre entidades.

Este artículo destaca los desafíos relacionados con la precisión en el conteo en modelos de IA.

NPHardEval4V evalúa las capacidades de razonamiento de modelos de lenguaje grande multimodal.

Un nuevo conjunto de datos para evaluar las habilidades de planificación de los modelos de lenguaje en tareas de la vida real.

Presentando el hypervolumen adversarial para evaluar mejor el rendimiento de los modelos de aprendizaje profundo.

Este trabajo analiza el rendimiento de transformadores simplificados en tareas de pronóstico.

Un nuevo estándar evalúa el aprendizaje continuo en modelos de lenguaje multimodal.

Una mirada a PAC-Bayes y su impacto en el rendimiento del modelo.

AVIBench prueba a los LVLMs para asegurarse de que aguanten instrucciones visuales adversariales.

Este artículo revisa las fortalezas y debilidades del modelo VMamba.

Un estudio comparando las explicaciones de modelos multilingües y monolingües y su fidelidad.

Un nuevo método para evaluar la novedad en los resultados de la IA generativa.

Explora varios modelos usados para la clasificación de datos y la estimación de incertidumbre.

Un nuevo conjunto de datos tiene como objetivo mejorar los modelos de detección de discurso de odio para el idioma alemán.

Este documento examina cómo los datos afectan la evaluación de los modelos de PNL.

IsoBench evalúa cómo los modelos manejan texto e imágenes para identificar sus fortalezas.

Aprende sobre ataques adversariales y su impacto en los modelos de aprendizaje automático.

Un estudio que compara el rendimiento en seguridad de los modelos de lenguaje populares.

Un marco para evaluar cómo los datos de entrenamiento influyen en el comportamiento del modelo de IA.

Un nuevo estándar evalúa la comprensión de los modelos de lenguaje sobre los significados de las palabras y sus relaciones.

Un método para verificar la fiabilidad del modelo sin etiquetas verdaderas.

Un estudio que compara métodos de atribución de Instancia y Neurona en modelos de lenguaje.

Explorando cómo el aprendizaje por transferencia afecta la efectividad del modelo en diferentes contextos de datos.

Presentamos el método FB para una mejor evaluación de modelos en cosmología.

Un estudio revela problemas de sobreconfianza en los modelos de lenguaje y visión de IA.

Este artículo habla sobre el early stopping para mejorar la eficiencia en la selección de modelos en aprendizaje automático.

Explorando los beneficios y desafíos de las incrustaciones de variables compartidas en el aprendizaje automático.

Nuevas técnicas mejoran la fiabilidad y simplicidad en los modelos de programación genética.

Presentamos AnyLoss, transformando métricas en funciones de pérdida para un mejor entrenamiento del modelo.

Este artículo habla sobre nuevos métodos para explicar las decisiones de la IA en la detección de objetos.

Una mirada a cómo los ejemplos adversariales desafían a los modelos de IA.

Aprende métodos clave para seleccionar parámetros de ajuste en análisis de datos para mejores predicciones.

Un nuevo estándar para evaluar LLMs en tareas de ciberseguridad.

Este documento propone nuevos métodos para evaluar la fragmentación de información en el aprendizaje automático.

Este documento presenta un enfoque para crear clasificadores de IA que sean fáciles de entender.

Este estudio examina qué tan bien los modelos preentrenados agrupan datos no vistos.

Presentando nuevos métodos para mejorar los procesos de olvido en modelos de aprendizaje contrastivo.