Últimos artículos para Evaluación del Modelo

Un nuevo estándar busca mejorar la evaluación de incertidumbre en los modelos de lenguaje.

Un nuevo método mejora el razonamiento del modelo a través de trazas de programación estructurada.

Examinando cómo el ajuste fino afecta la seguridad en los modelos de lenguaje en varias tareas.

Un enfoque nuevo para evaluar modelos de ML usando la Teoría de Respuesta al Ítem para obtener mejores insights.

Modelos base fuertes mejoran la evaluación de sistemas de ML en el cuidado de la salud.

Una mirada a los intervalos de confianza en el aprendizaje de pocos disparos y su impacto en la evaluación del modelo.

Examinando la comprensión y precisión de salida de los modelos de lenguaje.

Destacan investigaciones que utilizan funciones de influencia para mejorar el rendimiento de PINN en problemas físicos.

Una mirada a la dimensión efectiva y su impacto en el entrenamiento de modelos.

Este documento evalúa qué tan bien los modelos de lenguaje explican conceptos científicos.

Este artículo examina los GAMs como una solución para el rendimiento predictivo y la interpretabilidad.

Examinando cómo las muestras difíciles afectan el rendimiento del modelo y la fiabilidad de la precisión de las pruebas.

Este artículo examina cómo diferentes capas afectan el rendimiento de los LLM.

Las etiquetas suaves pueden mejorar el rendimiento de los modelos de aprendizaje automático en situaciones de datos inciertos.

RepairBench establece puntos de referencia para comparar modelos de IA en la reparación de errores de software.

Este método mejora la fiabilidad de las puntuaciones de confianza del modelo de lenguaje.

Aprende cómo el dominio de aplicabilidad afecta la precisión de los modelos predictivos en diferentes campos.

Un método para estimar la fiabilidad de las respuestas de los modelos de lenguaje grande.

Un nuevo método para probar modelos de lenguaje usando texto aleatorio.

Un método para mejorar la efectividad del vector de dirección en modelos de lenguaje.

Explora el impacto del aprendizaje por atajos en los modelos de lenguaje y sus aplicaciones en el mundo real.

Este documento examina métodos para comparar modelos generativos a través de representaciones basadas en embeddings.

Un marco para equilibrar el aprendizaje de pseudoetiquetas en el aprendizaje automático.

La nueva herramienta H-POPE mejora la precisión de los modelos de visión y lenguaje.

Un estudio sobre las habilidades de diferentes modelos en el Aprendizaje en Contexto.

Un nuevo marco identifica cuándo los modelos multimodales usan datos de entrenamiento inapropiados.

Este artículo habla sobre la necesidad de transparencia en los estándares de los modelos de lenguaje.

Una visión general de las fortalezas y debilidades de los Modelos de Visión-Lenguaje de hoy.

Un estudio completo que compara métodos para estimar intervalos de confianza en modelos de aprendizaje automático.

Una mirada a las redes de similitud para mejorar la equidad en el aprendizaje automático.

Aprende estrategias para mejorar el rendimiento del modelo en conjuntos de datos desbalanceados.

Una guía para entender el rendimiento de los modelos de IA usando el marco FEET.

Un marco para comparar modelos de pronóstico usando componentes principales.

RLInspect ayuda a analizar y mejorar modelos de aprendizaje por refuerzo de forma efectiva.

Examinando cómo los modelos de IA manejan texto e imágenes juntos.

Explorando cómo el tamaño del modelo afecta el rendimiento en la detección OOD.

Un nuevo método mejora la detección de datos desconocidos en modelos de aprendizaje profundo.

¿Siguen siendo relevantes las tareas de NLI para probar modelos de lenguaje grandes?

El marco ICER evalúa las medidas de seguridad en modelos de texto a imagen de manera efectiva.

Un estudio revela problemas de precisión en los textos largos generados por IA.