Informatique - Apprentissage automatique

Les chercheurs améliorent les modèles de diffusion avec des modèles de cohérence plus rapides, tout en gardant la qualité.

Une nouvelle approche améliore la prise de décision en fournissant des changements d'input fiables.

Un nouveau jeu de données évalue la performance des LLM dans la résolution de problèmes liés aux graphes.

Un nouveau cadre améliore les techniques de génération de graphes moléculaires pour la découverte de médicaments.

De nouvelles méthodes améliorent les compétences de raisonnement des modèles de langage pour de meilleures performances sur les tâches.

TimeAutoDiff propose de nouvelles solutions pour créer des données de séries temporelles synthétiques réalistes.

Un nouveau modèle combine des données audio et visuelles pour une meilleure compréhension.

L'inférence par boîte englobante améliore la prise de décision dans l'apprentissage par renforcement basé sur des modèles.

De nouvelles méthodes améliorent la navigation des drones et leur sécurité dans des environnements complexes.

Fairpriori améliore les tests de justice en apprentissage automatique, en se concentrant sur le biais intersectionnel.

neuROSym améliore la capacité des robots à prédire les actions humaines en temps réel.

Utiliser les données de recherche pour prédire les ventes de voitures et les taux de grippe.

Un nouveau cadre s'attaque aux préférences changeantes des chercheurs d'emploi et améliore la précision des recommandations.

Un aperçu du concept de dérive et des méthodes de détection non supervisées.

L'IA change la façon dont les scientifiques abordent des défis de recherche complexes.

Une nouvelle suite de benchmarks améliore l'efficacité et l'efficacité de l'autotuning des compilateurs.

Explorer de nouvelles méthodes d'apprentissage de graphes sans données étiquetées.

MIGU améliore l'apprentissage continu dans les modèles de langue sans avoir besoin de vieilles données.

Une nouvelle approche de l'IA combine des modèles de langage avec des programmes symboliques pour une meilleure interprétabilité.

Un nouveau cadre améliore l'appariement de graphes sans données étiquetées.

Cette étude présente une nouvelle utilisation de l'apprentissage profond dans la modélisation économique.

Une nouvelle méthode améliore l'efficacité de l'entraînement des DNN et réduit l'utilisation de la mémoire.

Un nouveau référentiel met en avant les risques de biais erronés dans les modèles de langage multimodaux.

Des approches innovantes améliorent les calculs de distance dans des environnements imprévisibles.

Utiliser des interfaces visuelles et des modèles pour améliorer la génération de musique.

Un aperçu des SPIM et leur potentiel dans les problèmes d'optimisation.

Un aperçu de comment les modèles d'IA interprètent les choix humains et de la nécessité d'améliorations.

Apprends comment les algorithmes d'inférence améliorent la performance de génération de texte.

Cet article passe en revue les problèmes de tokenisation et propose des solutions pour réduire les biais.

Une nouvelle méthode améliore le routage des données satellites pour une meilleure efficacité de communication.

Cette recherche se concentre sur l'amélioration des méthodes pour enlever les infos indésirables des modèles de langage.

Enquête sur les retours détaillés pour les modèles texte-image et ses implications pratiques.

Une plongée approfondie dans l'erreur de calibration U et son rôle dans la prédiction des résultats.

Adam-mini réduit l'utilisation de la mémoire pour entraîner de grands modèles de langage tout en gardant de bonnes performances.

Le dataset M2Lingual améliore les capacités de suivi des instructions dans plusieurs langues.

Une nouvelle méthode améliore la sécurité dans l'apprentissage par renforcement en intégrant des niveaux de confiance définis par l'utilisateur.

Une nouvelle technique améliore l'imagerie des vaisseaux sanguins du cerveau, aidant la recherche.

Une nouvelle méthode améliore la façon dont les modèles linguistiques s'alignent avec les valeurs humaines.

Une nouvelle approche pour améliorer la sécurité des modèles en rejetant les prédictions.

Ce papier explore l'équité et la stabilité dans les modèles d'apprentissage automatique affectés par leurs prédictions.