Derniers articles pour Ajustement fin

Une nouvelle méthode utilise des données vocales pour améliorer les évaluations de l'autisme.

De nouvelles méthodes améliorent la façon dont les robots apprennent et s'adaptent aux tâches.

De nouvelles méthodes améliorent l'efficacité de la génération d'images sur les appareils limités.

Cet article présente une nouvelle méthode pour des systèmes de dialogue réalistes en utilisant des traits spécifiques aux utilisateurs.

Une nouvelle méthode pour améliorer la précision et l'efficacité de la récupération k-NN.

Cette étude examine la création de radiographies thoraciques réalistes grâce à des techniques avancées d'apprentissage automatique.

Une étude révèle des vulnérabilités dans les modèles d'IA à cause des attaques par porte dérobée.

SSR améliore la performance des modèles de langue tout en gardant leurs capacités générales.

AstroMAE utilise des autoencodeurs masqués pour améliorer les prévisions de décalage vers le rouge en astronomie.

Les chercheurs ajustent les LLMs pour améliorer l'honnêteté et la fiabilité des résultats.

Cet article parle des défis et des solutions pour évaluer les modèles de question-réponse ancrés.

Une nouvelle approche améliore la clarté de la recherche en utilisant des graphes de connaissances cognitives et des modèles de langage.

Un aperçu des dernières avancées dans les modèles de traduction automatique.

Une nouvelle méthode pour adapter des modèles d'IA avec peu de données étiquetées.

Un nouveau cadre améliore l'apprentissage automatique pour le contrôle des mouvements dans différents environnements.

Explorer les préoccupations en matière de confidentialité dans le réglage des modèles de diffusion avec des données personnelles.

Block-Attention améliore les modèles de langage en accélérant les réponses tout en gardant la précision.

Une étude explore le développement de l'ASR pour l'Amis et le Seediq, en se concentrant sur l'utilisation des données.

Cette étude explore des modèles génératifs pour créer des mots-clés efficaces dans des articles scientifiques.

Un aperçu de comment l'IRL améliore la performance et la diversité des modèles de langage.

De nouvelles méthodes améliorent la précision et l'efficacité des traductions pour plusieurs langues.

Une nouvelle méthode améliore l'efficacité du fine-tuning des modèles de langage.

Explorer de nouvelles méthodes pour améliorer les prévisions de séries temporelles en utilisant la perte de Wasserstein.

Examiner comment le fine-tuning affecte la sécurité des modèles de langage dans différentes tâches.

Les transformers améliorent la précision de classification pour le trouble du spectre autistique grâce à une analyse avancée des images cérébrales.

La recherche se concentre sur l'amélioration de la capacité des modèles de langage à comprendre des textes plus longs.

La nouvelle méthode MEOW s'attaque à l'oubli des données sensibles dans les LLMs sans perdre en performance.

Les modèles d'IA pourraient révolutionner l'extraction de données cliniques, réduisant les coûts et améliorant la précision.

Une nouvelle méthode fait grimper les petits modèles pour répondre aux questions télécom.

Cette étude vise à améliorer les modèles de génération d'images en réduisant les caractéristiques anormales.

Des recherches montrent que les petits modèles de langage et les étiquettes synthétiques peuvent aider à détecter des maladies.

Améliorer la précision de la traduction du langage naturel vers la logique du premier ordre.

Une étude améliore la précision de la reconnaissance des gestes de la main en utilisant des données ultrasonores.

Les modèles d'IA améliorent la compréhension des variantes génétiques pour la santé.

Une nouvelle méthode améliore l'évaluation des textes en utilisant des probabilités douces pour plus de précision.

Évaluer les VLM sur des tâches spatiales avec du texte visuel et ambigu.

Présentation de CLIPFit, une méthode pour un ajustement efficace des modèles Vision-Langue.

Explorer l'utilisation de données synthétiques pour améliorer le DRL dans des applications réelles.

CRAFT combine RAFT et LoRA pour des réponses aux questions efficaces dans des environnements avec peu de ressources.

P4Q combine le fine-tuning et la quantification pour une performance efficace des modèles visuels-langages.