Derniers articles pour Formation du modèle

Une stratégie pour améliorer la performance et l'équité dans les modèles d'apprentissage fédéré.

CompeteSMoE améliore l'efficacité d'entraînement et la performance dans les modèles de Sparse Mixture of Experts.

Méthodes pour réduire le biais des données afin d'améliorer la performance du modèle.

Cet article examine l'impact du bruit sur la performance des modèles de langage.

Les coresets permettent un calcul efficace en apprentissage automatique tout en gardant la précision.

Une nouvelle méthode pour générer des matériaux PBR réalistes en utilisant des modèles d'images RGB.

Explorer comment l'entraînement adversarial améliore la robustesse des modèles grâce à la purification des caractéristiques.

Explorer les défis et les solutions du hacking de récompense dans l'entraînement des modèles d'IA.

Une méthode pour garder des connaissances dans les modèles d'IA tout en s'adaptant à de nouvelles tâches.

Une nouvelle approche pour ajuster les modèles améliore l'efficacité et la précision dans les tâches d'apprentissage automatique.

Une nouvelle approche pour améliorer les performances du modèle dans différentes conditions de données.

Une méthode pour améliorer la mémoire de l'IA en équilibrant l'apprentissage des infos nouvelles et anciennes.

Cette étude examine comment les modèles de langage adaptent leurs prédictions en utilisant l'apprentissage en contexte.

Une approche simplifiée pour entraîner des modèles d'IA basée sur l'auto-jugement.

Cette étude examine comment différentes sources de données affectent les grands modèles de langage.

Une étude sur l'efficacité de RLAIF par rapport à l'affinage supervisé pour les modèles de langue.

Une nouvelle méthode améliore l'apprentissage automatique en réduisant les corrélations trompeuses.

Examiner les tailles d'échantillon nécessaires pour que les modèles spécialisés surpassent les modèles généraux.

Apprends comment la distillation des connaissances améliore les modèles plus petits grâce aux insights des plus grands.

FedUV améliore les performances des modèles en apprentissage fédéré sur des données non-IID.

Une nouvelle approche s'attaque aux étiquettes bruyantes dans les modèles d'apprentissage automatique.

Découvrez comment l'échantillonnage négatif facilite l'entraînement des modèles et booste les performances.

Une nouvelle méthode aide à mieux apprendre à partir d'étiquettes de données bruyantes en apprentissage automatique.

Une nouvelle méthode améliore l'efficacité de l'apprentissage actif en apprentissage automatique.

Explorer comment les symétries dans les fonctions de perte influencent la dynamique de l'AGD pendant l'apprentissage profond.

Une nouvelle méthode améliore la résilience des modèles face aux exemples adversariaux en ajustant les invites textuelles.

RENT améliore les performances du modèle en utilisant des techniques de rééchantillonnage avec des étiquettes bruitées.

Une méthode pour améliorer la performance du modèle sur différents groupes de données.

Cet article parle du flux de gradient stochastique et de son impact sur l'apprentissage des modèles.

DARL propose de nouvelles méthodes pour que les machines apprennent et créent des images efficacement.

De nouvelles découvertes remettent en question l'idée que la robustesse de la classification et de l'explication sont liées.

Examiner comment le bruit dans les données de pré-entraînement influence la performance du modèle.

Une nouvelle approche améliore la performance des étudiants dans l'entraînement des modèles.

Une nouvelle approche améliore les performances du modèle face aux changements de distribution et aux attaques adversariales.

De nouvelles méthodes visent à améliorer la performance des modèles sur des données inédites.

Une étude montre comment la difficulté des tâches influence l'entraînement dans les modèles de diffusion.

Une nouvelle méthode renforce la robustesse du modèle tout en gardant de bonnes performances sur des tâches réelles.

Apprends comment le reprogrammation des modèles améliore l'apprentissage automatique sans grosses modifs.

Le lissage des étiquettes améliore la précision mais peut nuire à la fiabilité de la classification sélective.

Cet article parle d'une nouvelle méthode pour améliorer les circuits probabilistes en utilisant des techniques de clustering douces.