Informatique - Apprentissage automatique

Les chercheurs utilisent Brainscore pour évaluer les modèles d'IA par rapport à l'activité cérébrale humaine.

Une étude révèle que les modèles de langage utilisent des caractéristiques complexes et multidimensionnelles pour le traitement du langage.

Utiliser des capteurs avancés pendant l'entraînement aide les robots à mieux réaliser leurs tâches.

Des robots qui combinent des roues et des jambes cherchent à améliorer la logistique urbaine et les livraisons.

Le PV-Tuning améliore le fine-tuning et la compression pour les grands modèles de langage.

Un nouvel outil pour mesurer la séparation des clusters dans l'analyse de données.

découvre comment les réseaux de tenseurs peuvent transformer diverses applications industrielles et optimiser les processus.

Examiner la justice et l'éthique de la façon dont les modèles de langage répondent aux utilisateurs.

Une nouvelle méthode pour comprendre les préférences en utilisant des comparaisons au niveau des caractéristiques.

Cet article passe en revue la performance des modèles de langage dans l'analyse des données de santé publique.

Cette recherche explore l'utilisation de grands modèles de langage pour détecter des anomalies dans les données de séries temporelles.

Cette étude explore des méthodes pour améliorer la détection d'anomalies dans les transactions d'achat.

Cet article parle d'améliorer les outils de complétion de code en prédisant les besoins des développeurs pour les suggestions.

Ce papier examine comment les capteurs améliorent les décisions malgré des données incomplètes.

AGILE renforce les agents LLM avec de la mémoire, des conseils d'experts, et des outils en temps réel.

Présentation d'AnyLoss, qui transforme les métriques en fonctions de perte pour un meilleur entraînement des modèles.

Un aperçu des relations causales et de leur importance dans divers domaines.

Examiner le lien entre la confidentialité différentielle locale et l'équité dans les systèmes d'IA.

Découvre comment le machine learning fait avancer la biologie synthétique avec des méthodes innovantes.

Un aperçu de la mesure et de la gestion de l'accumulation d'erreurs dans la modélisation atmosphérique.

Cet article propose une méthode pour choisir des jeux afin de déterminer les classements de manière équitable.

Une nouvelle méthode améliore la génération d'images personnalisées en utilisant des modèles d'IA existants.

La normalisation par lots fédérée améliore l'entraînement des modèles dans des environnements d'apprentissage distribués.

Les ensembles de données dynamiques améliorent l'apprentissage des modèles et réduisent les besoins en ressources.

I2CL améliore l'efficacité et la performance dans les tâches des modèles linguistiques.

PhiNet imite les systèmes de mémoire humains pour améliorer l'apprentissage machine.

TimeMixer combine des modèles de données détaillés et larges pour une meilleure précision des prévisions.

ShapeFormer améliore la précision de classification en combinant des caractéristiques spécifiques à chaque classe et des caractéristiques générales.

Cette méthode combine l'apprentissage profond et les maths pour améliorer le remplissage d'images.

Une étude présente RepNoise pour protéger les grands modèles de langage contre le fine-tuning nuisible.

Un modèle améliore les prédictions de la réflexion de la lumière par le sol pour aider les études environnementales.

De nouvelles méthodes améliorent les prévisions et l'estimation des paramètres dans les simulations physiques.

Une nouvelle méthode améliore les performances de l'IA en utilisant efficacement tous les experts disponibles.

Une nouvelle méthode combine la technologie pour un calcul précis de l'empreinte carbone et des explications compréhensibles.

Cet article présente une méthode pour identifier les relations de cause à effet dans des systèmes complexes.

De nouvelles méthodes améliorent l'audit de la vie privée, en se concentrant sur des modèles d'état caché dans l'apprentissage automatique.

LoRA-Ensemble combine des modèles pour de meilleures prédictions et une gestion de l'incertitude.

Un nouveau système améliore l'apprentissage automatique grâce à un raisonnement abstrait amélioré et moins d'exemples.

Cet article examine les méthodes de Neyman pour évaluer des règles de traitement modernes adaptées aux individus.

Améliorer l'apprentissage distribué grâce à des techniques de clipping robuste et adaptatif.