Derniers articles pour Apprentissage en contexte

Une étude comparant l'apprentissage en contexte et l'apprentissage supervisé révèle des différences clés dans la performance des modèles.

De nouveaux repères utilisant l'IA générative améliorent les techniques de combinaison de tableaux de données.

Une étude sur comment le prefixLM surpasse le causalLM en apprenant à partir du contexte.

Raven améliore les modèles de langue grâce à des techniques de récupération innovantes et un meilleur apprentissage du contexte.

Une nouvelle approche qui combine ICL et génération de code pour de meilleures prévisions.

HICL améliore la compréhension des posts sur les réseaux sociaux en utilisant des hashtags et l'apprentissage en contexte.

Cette étude compare PEFT et ICL pour améliorer la génération de code avec des LLM.

Cette étude examine la relation entre les compétences émergentes et l'apprentissage en contexte dans les grands modèles de langage.

Cette étude évalue la capacité de LLaMa à traduire en tenant compte du genre.

Une nouvelle approche combine l'apprentissage en contexte et le fine-tuning pour de meilleures performances du modèle.

Découvre comment les modèles d'IA peuvent améliorer la classification des questions dans le secteur bancaire.

Des recherches montrent que les modèles NMT peuvent s'adapter rapidement avec peu d'exemples.

Explorer comment les transformateurs s'adaptent pour prédire des résultats dans des systèmes inconnus.

Analyser les effets du fine-tuning et proposer le prompting conjugué comme solution.

Combiner des modèles de récupération avec des modèles de langage booste les performances dans les tâches de classification de texte.

Découvrez comment les LLM améliorent la précision dans la traduction de langages ambigus.

Ce papier examine les limites de l'apprentissage en contexte dans les modèles de langue.

Bode est un modèle de langue conçu pour améliorer la compréhension de texte en portugais.

Examiner comment les modèles de prompts influencent la performance des grands modèles de langage.

Améliorer l'adaptabilité des modèles de langage grâce à la récupération sélective d'exemples.

Une nouvelle méthode améliore la gestion des incidents pour les services cloud en utilisant des données historiques.

Explorer comment l'oubli machine aide à la confidentialité des données et à la conformité.

Explore comment les LLMs peuvent améliorer la détection des bots tout en abordant les risques associés.

Un aperçu de l'apprentissage et de la reconnaissance des compétences dans les grands modèles de langage.

Le poisoning des données menace l'intégrité des systèmes d'apprentissage en contexte, révélant des vulnérabilités cachées.

Découvrez comment Mamba transforme l'apprentissage en contexte pour les applications d'intelligence artificielle.

Examen des capacités de Mamba et de son modèle hybride avec les Transformateurs.

Une étude montre comment les LLMs s'adaptent à l'apprentissage en fonction des retours pendant les tâches.

VisLingInstruct améliore la capacité des modèles à intégrer du texte et des images.

Présentation d'un nouveau modèle pour prédire les connexions dans différents types de graphes.

Cet article analyse les avantages de l'attention multi-tête par rapport à l'attention mono-tête dans les tâches d'apprentissage automatique.

Un aperçu de l'apprentissage en contexte et de ses applications pratiques grâce au cadre Pelican Soup.

Cette étude examine comment les modèles de langage adaptent leurs prédictions en utilisant l'apprentissage en contexte.

Une nouvelle méthode pour choisir des démonstrations améliore la performance des modèles dans les tâches de langue.

Examiner comment les Transformers apprennent du contexte pour gérer des tâches inconnues.

Examiner les tailles d'échantillon nécessaires pour que les modèles spécialisés surpassent les modèles généraux.

Cet article explore comment le hasard influence l'apprentissage avec des données étiquetées limitées.

Explorer l'apprentissage en contexte et ses implications sur la performance de l'IA multilingue.

Explorer les avancées et les applications des transformateurs linéaires dans l'apprentissage automatique.

Une nouvelle méthode améliore la performance des modèles de langage grâce à une meilleure sélection d'exemples.