Derniers articles pour Évaluation du modèle

Un nouveau standard vise à améliorer l'évaluation de l'incertitude dans les modèles de langue.

Une nouvelle méthode améliore le raisonnement des modèles grâce à des traces de programmation structurées.

Examiner comment le fine-tuning affecte la sécurité des modèles de langage dans différentes tâches.

Une nouvelle approche pour évaluer les modèles de ML en utilisant la théorie de la réponse à l'item pour des insights améliorés.

Des modèles de base solides améliorent l'évaluation des systèmes d'IA dans le secteur de la santé.

Un aperçu des intervalles de confiance dans l'apprentissage avec peu d'exemples et leur impact sur l'évaluation des modèles.

Examiner la compréhension et la précision des résultats des modèles de langue.

Recherche mettant en avant l'utilisation des fonctions d'influence pour améliorer la performance des PINN dans les problèmes de physique.

Un aperçu de la dimension effective et son impact sur l'entraînement des modèles.

Ce papier évalue à quel point les modèles de langue expliquent les concepts scientifiques.

Cet article examine les GAM comme solution pour la performance prédictive et l'interprétabilité.

Examiner comment les échantillons difficiles affectent la performance du modèle et la fiabilité de la précision des tests.

Cet article examine comment différentes couches affectent la performance des LLM.

Les étiquettes floues peuvent améliorer les performances des modèles de machine learning dans des situations de données incertaines.

RepairBench établit des normes pour comparer les modèles d'IA dans la réparation des bugs logiciels.

Cette méthode améliore la fiabilité des scores de confiance des modèles de langue.

Apprends comment le domaine d'applicabilité affecte la précision des modèles prédictifs dans différents domaines.

Une méthode pour estimer la fiabilité des réponses des grands modèles de langage.

Une nouvelle méthode pour tester les modèles de langage en utilisant du texte randomisé.

Une méthode pour améliorer l’efficacité du vecteur de direction dans les modèles linguistiques.

Explore l'impact de l'apprentissage par raccourci sur les modèles de langage et leurs applications dans le monde réel.

Ce papier examine des méthodes pour comparer des modèles génératifs à travers des représentations basées sur des embeddings.

Un cadre pour équilibrer l'apprentissage par pseudo-labels en apprentissage automatique.

Le nouvel outil H-POPE améliore la précision des modèles de vision-langage.

Une étude sur les capacités de différents modèles en apprentissage en contexte.

Un nouveau cadre identifie quand les modèles multimodaux utilisent des données d'entraînement inappropriées.

Cet article parle du besoin de transparence dans les évaluations des modèles linguistiques.

Un aperçu des forces et des faiblesses des modèles Vision-Language d'aujourd'hui.

Une étude complète comparant les méthodes pour estimer les intervalles de confiance dans les modèles d'apprentissage automatique.

Un aperçu des réseaux de similarité pour améliorer l'équité dans l'apprentissage automatique.

Apprends des stratégies pour améliorer la performance des modèles sur des jeux de données déséquilibrés.

Un guide pour comprendre la performance des modèles d'IA en utilisant le cadre FEET.

Un cadre pour comparer les modèles de prévision en utilisant des composantes principales.

RLInspect aide à analyser et améliorer les modèles d'apprentissage par renforcement de manière efficace.

Examiner comment les modèles d'IA gèrent le texte et les images ensemble.

Explorer comment la taille du modèle affecte les performances dans la détection OOD.

Une nouvelle méthode améliore la détection de données inconnues dans les modèles d'apprentissage profond.

Les tâches NLI sont-elles toujours pertinentes pour tester les grands modèles de langage ?

Le cadre ICER teste efficacement les mesures de sécurité dans les modèles de texte à image.

Une étude révèle des problèmes de précision dans les longs textes générés par l'IA.