Derniers articles pour Ajustement fin

Cet article explore la masse des neutrinos à travers des zéros mineurs dans la matrice de masse.

DP-ZO équilibre la vie privée et la performance dans l'entraînement des modèles de langage.

Un nouveau cadre améliore la performance des modèles sur des données non vues grâce à des changements ciblés.

De nouvelles méthodes améliorent la vitesse et la qualité de l'édition d'images en utilisant des modèles plus petits.

De nouveaux modèles explorent la stabilité de l'échelle faible en physique des hautes énergies.

Examiner les effets de la duplication de code entre les datasets sur les métriques de performance des modèles.

Une nouvelle méthode qui améliore les réseaux neuronaux élagués pour de meilleures performances.

Des outils d'IA comme SAM changent la donne sur la façon dont on cartographie le permafrost et comprend le changement climatique.

Un aperçu de la criticité intrinsèque et extrinsèque dans les systèmes biologiques.

Cette étude améliore la façon dont les modèles de langage gèrent les tâches de raisonnement mathématique.

Stratégies pour améliorer les modèles QA quand les données étiquetées sont rares.

AutoFT améliore la performance des modèles sur des données inédites grâce à des techniques de fine-tuning innovantes.

Une nouvelle méthode accélère la génération de texte par LLM en utilisant des têtes de prédiction supplémentaires.

Un nouveau cadre IA améliore la détection des maladies oculaires grâce à des techniques d'imagerie avancées.

Une méthode améliore l'efficacité dans la formation et l'utilisation de grands modèles de langage.

Des recherches montrent que des modèles bien ajustés peuvent vraiment aider à mieux comprendre les maladies rares.

Une étude révèle les risques des attaques de jailbreak multilingues sur les grands modèles de langage.

Cet article explore des méthodes pour utiliser GPT-3.5 afin d'automatiser efficacement les revues de code.

Analyser le coût et l'efficacité des grands modèles de langage dans différentes tâches.

Cette étude analyse comment les modèles de langage gèrent les sujets familiers et non familiers.

Explorer l'utilisation des LLM pour analyser des données de séries temporelles dans différents domaines.

DeRa propose une méthode pour ajuster l'alignement des modèles linguistiques sans avoir à les réentraîner.

Une méthode pour ajuster les modèles de langage en utilisant moins de paramètres.

Cet article examine l'impact du bruit sur la performance des modèles de langage.

Apprends comment les nouvelles techniques améliorent l'efficacité des gros modèles de machine learning.

De nouvelles méthodes améliorent la clarté des prédictions en apprentissage automatique.

Une nouvelle méthode améliore la fiabilité des prévisions des modèles dans des applications réelles.

Une nouvelle approche pour intégrer des perspectives culturelles variées dans les modèles de langage.

Une nouvelle méthode pour stimuler la créativité dans la résolution de problèmes grâce au soutien de l'IA.

Explorer les problèmes dans la création de modèles et de solutions d'IA pour la prise de décision.

AV-SUPERB évalue les modèles audio et visuels sur différentes tâches pour une meilleure performance.

De nouveaux outils améliorent la façon dont les systèmes récupèrent des informations à partir de longs documents.

Explorer comment les modèles de langage reflètent les traits de personnalité dans le recrutement.

Cette étude améliore l'efficacité du fine-tuning dans les réseaux de neurones en utilisant l'apprentissage actif transductif.

Améliorer la reconnaissance vocale de Whisper pour le vietnamien et d'autres langues à faibles ressources.

Une nouvelle méthode pour adapter les LLM sans avoir besoin de beaucoup d'étiquetage.

Cet article parle d'une méthode pour améliorer les LLMs en utilisant des retours verbaux sans sur-généralisation.

LoRETTA améliore l'efficacité de l'ajustement fin pour les grands modèles de langage avec moins de paramètres.

Explorer les menaces posées par le empoisonnement de données indiscriminé dans l'apprentissage auto-supervisé.

Examiner comment le fine-tuning augmente le risque de révéler des données d'entraînement sensibles.