Informatique - Intelligence artificielle

Apprends sur les FTFIs et leur impact sur les structures de données d'arbre en apprentissage machine.

Un nouveau cadre combine des modèles de langage et des graphes de connaissances pour des suggestions de produits plus claires.

Une méthode pour améliorer la collecte de données pour les systèmes qui évoluent avec le temps.

Les agents améliorent leur adaptabilité et leur efficacité en utilisant des modèles abstraits pour la planification et l'apprentissage.

Un nouveau cadre améliore l'efficacité d'apprentissage dans les systèmes multi-agents grâce à une modélisation du monde innovante.

Une nouvelle approche modulaire améliore l'inférence variationnelle dans les langages de programmation probabilistes.

Analyser la performance des modèles d'IA sur des problèmes de maths pour enfants révèle des lacunes importantes.

RankAdaptor optimise le fine-tuning des modèles IA élagués, améliorant les performances de manière efficace.

Explorer comment l'IA transforme le paysage des énergies renouvelables pour plus d'efficacité.

Examiner la nécessité de meilleures règles pour l'IA dans la santé.

INDICT améliore la sécurité du code et son utilité grâce à une analyse à double critique.

Un nouveau cadre améliore la modélisation des systèmes physiques complexes en utilisant la symétrie discrète.

Méthodes pour réduire l'utilisation de la mémoire lors du fine-tuning de gros modèles.

Une plateforme standardisée pour tester des algorithmes d'apprentissage dans le contrôle aux limites des équations différentielles partielles.

La recherche évalue les capacités de vérification des affirmations des modèles de langage en utilisant un nouveau dataset.

Une nouvelle méthode améliore l'efficacité de l'apprentissage des robots grâce à une meilleure interaction avec les humains.

Cet article examine comment certains neurones influencent l'incertitude dans les prédictions des modèles de langage.

Ce papier présente une méthode pour évaluer les modèles de langage à travers différents prompts.

Présentation de DARE, une méthode pour améliorer l'apprentissage automatique sans oublier les anciennes connaissances.

Améliorer l'efficacité en programmation linéaire avec des techniques d'apprentissage automatique.

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.

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

Une nouvelle méthode pour mieux comprendre les événements en utilisant plusieurs documents.

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.

Des experts des États-Unis et de la Chine discutent de la sécurité et de la sûreté de l'IA.

Explorer le rôle des données synthétiques pour améliorer les systèmes d'IA en santé.

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

NovoBench fournit un cadre structuré pour évaluer les méthodes de séquençage des peptides.

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.

Cette étude se concentre sur l'amélioration de la détection des faux audios en utilisant des méthodes avancées.

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

Nouveau jeu de données évalue la capacité des LLM à des tâches de raisonnement logique complexes.

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