Martin Vechev

La contamination des données dans les modèles de langage pose de sérieux problèmes de confiance pour les évaluations.

SafeCoder améliore la sécurité du code généré par les modèles de langage.

Examiner l'efficacité et les vulnérabilités du watermarking dans le contenu généré par l'IA.

Une nouvelle approche améliore la récupération de données tout en s'attaquant aux préoccupations de confidentialité dans l'apprentissage fédéré.

Des recherches montrent des vulnérabilités dans l'approche de la confidentialité des textes en apprentissage fédéré.

Un nouveau critère pour évaluer l'équité dans les méthodes d'apprentissage de représentation.

Examiner les dangers des modèles de langage quantifiés et leur potentiel de mauvaise utilisation.

Des recherches montrent les défis de la détection des filigranes dans les grands modèles de langage.

Une bibliothèque unifiée améliore l'équité dans la comparaison des méthodes d'entraînement des réseaux de neurones.

De nouvelles méthodes améliorent l'efficacité de l'incomputabilité dans des programmes quantiques complexes.

Une méthode pour adapter les modèles de langage tout en réduisant la perte de compétences.

Analyser les vulnérabilités des outils de complétion de code populaires et leurs implications pour les devs.

Cet article parle d'un nouveau système de notation pour évaluer les modèles de langue de manière plus juste.