Derniers articles pour Généralisation

Présentation d'un cadre universel pour les mesures de netteté en apprentissage automatique.

Explorer comment les agents peuvent adapter les compétences acquises à de nouvelles tâches en utilisant des générateurs de politiques.

Explore comment les mots changent de sens au fil du temps et les facteurs qui influencent ce processus.

De nouvelles techniques améliorent la généralisation dans les modèles de données interconnectés à travers différents domaines.

Cet article parle de comment les modèles peuvent oublier des biais pour améliorer les prédictions.

Examiner comment les modèles de caractéristiques aléatoires et les Transformers gèrent les données non vues.

Cet article parle de comment les langues changent à travers des méthodes d'apprentissage itératives.

Cet article explore des stratégies pour améliorer la généralisation des modèles et comprendre le comportement du gradient.

Cet article examine les défis de la prédiction de liens à cause des changements dans la distribution des données.

Un aperçu de comment les LLMs abordent les défis de la programmation par l'exemple.

Une nouvelle architecture GNN améliore les prédictions grâce à une expressivité renforcée et une intégration des fragments.

Une nouvelle méthode améliore l'adaptabilité des modèles à travers différents domaines en utilisant l'apprentissage par invite et l'alignement des gradients.

Une nouvelle méthode utilise des explications en langage naturel pour améliorer la correspondance d'entités.

FouRA améliore la génération d'images en rehaussant la qualité et la diversité.

Apprends comment le bagging améliore les performances des modèles dans différentes applications.

Une étude met en lumière les lacunes dans les capacités de raisonnement des LLM pour résoudre des problèmes de maths.

PartCLIPSeg améliore la segmentation des parties en vision par ordinateur pour un meilleur reconhecimento des objets.

Une étude analyse la généralisation et la performance de la régression ridge avec caractéristiques aléatoires en utilisant des valeurs propres.

Explorer le rôle des transformateurs dans la prédiction des résultats de données séquentielles.

SiT améliore la capacité des agents à généraliser dans l'apprentissage par renforcement grâce à la symétrie et à l'attention.

De nouvelles méthodes améliorent les modèles de parole pour les langues avec peu de données.

Un regard sur le rôle de la complexité dans la performance des modèles.

Une nouvelle fonction de perte améliore l'apprentissage des caractéristiques dans les tâches de classification.

De nouveaux noyaux améliorent l'analyse des données grâce à des interactions complexes de fonctions.

De nouveaux opérateurs neuronaux améliorent la précision dans la prédiction du comportement des matériaux magnétiques.

Examiner les vulnérabilités des attaques par backdoor clean-label et comment les bornes de généralisation peuvent aider.

Le clipping de poids améliore les performances des modèles en deep learning et en reinforcement learning.

SLIMER améliore les performances de NER en se concentrant sur les définitions et les lignes directrices.

Les ONG utilisent des réseaux de neurones pour simplifier la résolution d'équations différentielles partielles complexes de manière efficace.

Cette recherche examine comment les modèles linguistiques prédisent l'ordre des adjectifs.

Les GFlowNets permettent un échantillonnage efficace à partir de distributions complexes avec de fortes capacités de généralisation.

Une nouvelle méthode pour améliorer la performance des modèles sur des données hors distribution.

Un aperçu des méthodes pour protéger les infos perso tout en gardant l'utilité des données.

Une étude sur les capacités d'apprentissage des grands modèles de langage dans des tâches d'arithmétique modulaire.

CLIP-CITE améliore les modèles CLIP pour des tâches spécifiques tout en gardant de la flexibilité.

Ce papier explore des moyens d'améliorer l'évaluation de la calibration des modèles et de la précision prédictive.

Découvre comment les sous-espaces aléatoires améliorent la généralisation des modèles en apprentissage automatique.

Analyser les vrais effets des méthodes post-formation sur la performance des modèles de langue.

Approche innovante pour créer des fonctions d'acquisition efficaces pour l'optimisation bayésienne.

Examiner l'impact des fonctions d'activation périodiques sur l'efficacité d'apprentissage et la généralisation.