Últimos artículos para Evaluación del Modelo

Un nuevo benchmark evalúa métodos para medir la similitud representacional en aprendizaje automático.

Un nuevo enfoque para detectar fallos en modelos de clasificación de imágenes.

Evaluando qué tan bien los LLMs generan salidas en JSON a través de pruebas de StructuredRAG.

Un estudio sobre cómo mejorar los métodos de UDA a través de la evaluación y comprensión de los cambios en los datos.

Un nuevo método para combinar modelos de lenguaje de manera más efectiva.

Un nuevo enfoque mejora la comprensión de las predicciones del modelo a través de la atribución de características.

Un nuevo método revela cómo los modelos de visión organizan y entienden las imágenes.

Nueva técnica para entender mejor las predicciones del modelo usando ejemplos contrafactuales.

Un método que combina VMD y modelos lineales aumenta la precisión de las predicciones.

El marco PoEM evalúa modelos de lenguaje sin necesidad de etiquetas precisas.

Este estudio evalúa cómo pequeños cambios afectan las respuestas de los modelos de lenguaje.

Un nuevo método ayuda a identificar la contaminación de datos de prueba en LLMs usando probabilidades de tokens.

FSDEM ofrece un enfoque nuevo para evaluar las técnicas de selección de características para el análisis de datos.

El conjunto de datos MAPWise desafía a los modelos con preguntas basadas en mapas y evalúa sus habilidades de razonamiento.

Este artículo habla sobre un nuevo sistema de calificación para evaluar modelos de lenguaje de manera más justa.

La escalación logit mejora la detección de datos fuera de la distribución sin necesidad de datos de entrenamiento.

Este estudio evalúa modelos de aprendizaje automático para detectar basura en los ríos.

Un nuevo método para evaluar la robustez en clasificadores de ML usando distancia adversarial.

Una mirada más cercana a qué tan bien los modelos de lenguaje grandes realizan tareas básicas.

Un nuevo método mejora las explicaciones de IA gracias a la colaboración entre dos modelos de lenguaje.

Esta investigación explora cómo el grado topológico evalúa la efectividad de los VAE para captar la estructura de los datos.

Un estudio revela cómo los modelos de lenguaje utilizan el contexto para dar respuestas precisas.

Nuevos métodos ayudan a entender cómo los modelos reaccionan a los cambios en los datos.

Este artículo examina métodos para detectar la contaminación de datos en modelos de lenguaje grandes.

Este documento explora cómo los métodos bootstrap mejoran la estabilidad y la robustez en modelos de SGD.

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.