Christopher Potts

Évaluer la précision des explications neuronales dans les modèles de langage révèle des défauts importants.

Cette étude teste de nouvelles méthodes pour évaluer les descriptions d'images par rapport aux avis humains.

Un ensemble de données teste les modèles de langue sur des tâches de langage autoréférentiel.

Des recherches montrent que GPT-2 galère avec les langues qui échappent aux schémas humains.

Explore comment les illusions d'interprétabilité affectent notre vision des réseaux de neurones.

Une étude sur comment les modèles de langage traitent et comprennent des tâches linguistiques complexes.

Une étude qui évalue différentes méthodes pour interpréter les neurones des modèles de langage.

MoEUT améliore l'efficacité et les performances des Transformers Universels dans les tâches linguistiques.

Une étude détaillée sur comment les modèles mémorisent du texte et ses implications.

Des méthodes innovantes améliorent l'alignement des LLMs avec les préférences humaines pour de meilleures performances.

Un aperçu approfondi des unités récurrentes à portes dans l'apprentissage de séquences.

Cette approche facilite le choix des ensembles de données de préentraînement efficaces pour les modèles de langue.

Un nouveau jeu de données améliore les suggestions de saisie automatique des requêtes en utilisant des données réelles d'utilisateurs.