Furong Huang

DLLM combine l'apprentissage par renforcement avec des modèles de langue pour de meilleures performances sur les tâches.

Cet article explore l'impact du poisoning des données sur l'alignement des modèles de langage.

Un nouveau cadre s'attaque aux défis de la distillation des connaissances pour les données à longue traîne.

Explorer l'utilisation des filigranes pour s'attaquer aux problèmes de droits d'auteur dans les modèles de langage.

Un nouveau regard sur l'amélioration des systèmes de recommandation en comprenant les choix des utilisateurs.

Une étude sur les faux refus dans les modèles de langage et leur impact sur l'expérience utilisateur.

Techniques pour équilibrer la distribution des données dans l'apprentissage fédéré pour une meilleure performance du modèle.

Un aperçu de l'apprentissage tout au long de la vie pour les robots et son avenir.

Apprends des stratégies de mémoire efficaces dans les modèles de langage IA.