Derniers articles pour Évaluation du modèle

APIGen génère des ensembles de données diversifiés et de haute qualité pour les agents d'appel de fonctions.

Une nouvelle méthode pour détecter les biais dans l'entraînement des modèles linguistiques.

Le modèle SAVE améliore la segmentation audio-visuelle avec efficacité et précision.

Une nouvelle approche pour évaluer la précision du modèle sans étiquettes pendant les changements de données.

Aperçus sur les défis de l'apprentissage automatique pour prédire les propriétés des matériaux.

Nouveau repère améliore l'évaluation des modèles multimodaux en minimisant les biais.

Cette étude examine comment les données visuelles et textuelles influencent la performance des modèles.

CD-T améliore la compréhension des modèles de transformateur, renforçant l'interprétation et la confiance.

Un nouveau référentiel évalue le biais de genre dans les modèles d'IA liés aux postes de travail.

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

Un nouvel outil pour tester les modèles de langue dans des environnements bruyants.

Une nouvelle approche pour évaluer les modèles de ML en se concentrant sur la préparation des données.

La recherche évalue la stabilité des méthodes XAI en utilisant un ensemble de données sur le diabète.

Une étude sur comment les LLM gèrent les règles et contraintes de codage.

Découvre l'importance et les défis d'évaluer efficacement la performance des LLM.

Un aperçu des classements des modèles de fondation et de leurs problèmes d'évaluation.

De nouvelles métriques offrent une meilleure évaluation de la performance des modèles génératifs en apprentissage automatique.

L'effet Rashomon montre plusieurs modèles efficaces en apprentissage automatique.

Une revue des méthodes pour évaluer les prédictions de temps jusqu'à l'événement en science des données.

Examiner comment l'invariance affecte la performance des modèles en apprentissage par transfert.

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

Examiner les vulnérabilités des modèles légers face aux attaques adversariales.

Cette étude évalue comment les grands modèles gèrent plusieurs objets dans les images.

Un aperçu des défis et des innovations dans les méthodes d'adaptation de domaine pour les graphes.

Cette recherche améliore la fiabilité des modèles de machine learning grâce à des techniques de calibration et de recalibration.

Examiner les difficultés que rencontrent les modèles avec de longues séquences dans différentes applications.

Apprends comment la sélection aléatoire de graines influence la performance et la fiabilité des modèles d'IA.

Une nouvelle approche pour évaluer les grands modèles de langage afin d'obtenir de meilleures idées sur leurs performances.

Présentation de HO-FMN pour une meilleure évaluation de la robustesse des modèles d'apprentissage automatique face aux attaques adversariales.

Examiner les attaques adversariales et la robustesse des modèles en segmentation sémantique.

Présentation de PACE, une approche structurée pour des explications d'IA fiables.

Un aperçu des pratiques qui sapent la confiance dans les évaluations des modèles d'apprentissage automatique.

Cet article examine l'efficacité des modèles multimodaux en utilisant des données linguistiques et visuelles.

Voici GOAR, une méthode pour mieux comprendre l'importance des caractéristiques en IA.

Cet article traite des problèmes de mauvaise calibration dans les modèles vision-langage et propose des solutions.

Cette étude évalue les compétences en raisonnement des modèles audio-langage avec une nouvelle tâche.

Une étude sur l'amélioration des méthodes TTA pour les variations des données du monde réel.

MIBench teste la performance des modèles multimodaux sur plusieurs images.

Avancées dans la détection de données hors distribution grâce à de nouvelles techniques.

Une nouvelle méthode pour évaluer les capacités d'apprentissage des modèles de langue à long contexte grâce à Task Haystack.