Derniers articles pour Traitement du langage naturel

Un nouveau modèle reproduit une compréhension humaine dans les systèmes d'IA.

De nouvelles méthodes comme PromptFix aident à sécuriser les modèles de langue contre les menaces cachées.

Explorer la classification multi-label pour améliorer la reconnaissance des relations de discours.

Évaluer des méthodes pour un contrôle précis des caractéristiques du texte dans les sorties des LLM.

Une nouvelle approche améliore l'alignement des modèles de langage en utilisant peu de données annotées par des humains.

Une nouvelle méthode améliore l'alignement et la sécurité des grands modèles de langage.

Une nouvelle méthode éclaire comment les modèles de langage se souviennent des données d'entraînement.

Une nouvelle méthode améliore l'estimation de l'incertitude dans les modèles de langue, renforçant la confiance des utilisateurs.

Explore les capacités d'apprentissage des modèles de langage et leurs applications.

ABEX utilise Abstract-and-Expand pour améliorer les données d'entraînement pour les tâches de compréhension du langage naturel.

Ce document explore comment les MLLMs stockent et transfèrent des informations pour répondre à des questions visuelles.

Apprends à entraîner des modèles pour les embeddings de texte de manière intelligente et efficace.

De nouveaux systèmes améliorent la classification des valeurs morales dans les textes.

Cette étude examine comment les LLM gèrent les changements dans les tâches de résumé.

Un aperçu de l'importance de la culture dans les avancées du Traitement Automatique des Langues.

Cet outil simplifie la création et l'analyse de prompts pour des entrées de contenu mixte.

ETRASK améliore l'extraction de relations grâce à une sélection d'instances innovante et des modèles préentraînés.

Une nouvelle méthode améliore la performance des grands modèles de langage dans des domaines spécialisés.

FastGAS améliore l'efficacité dans la sélection d'exemples pour l'apprentissage en contexte en utilisant une approche basée sur des graphes.

Une méthode pour prévoir les réponses non-factuelles des modèles de langage avant qu'ils ne génèrent des réponses.

La méthode VTrans réduit significativement la taille des modèles de transformeurs sans sacrifier la performance.

Méthodes pour créer des timelines précises à partir des annotations d'événements dans les textes.

Un nouveau modèle améliore la reconnaissance vocale en utilisant plusieurs méthodes de décodage.

De nouvelles stratégies améliorent la capacité des modèles de langage à récupérer les connaissances de manière précise.

Une étude examine comment les modèles de langage ancrés comprennent des structures linguistiques complexes.

Cette recherche améliore les plans de transport rares pour une meilleure gestion et interprétation des données.

Analyse des facteurs qui affectent l'alignement dans les grands modèles de langage.

Un ensemble de données conçu pour améliorer la capacité des machines à répondre aux questions basées sur le temps.

Cette étude explore comment créer des phrases qui gardent des significations spécifiques en utilisant FrameNet.

EDEN connecte la reconnaissance des émotions avec l'analyse des causes pour mieux comprendre les dialogues.

Explorer les forces et les faiblesses des LLM pour différentes tâches business.

QCQA améliore les modèles de langage en optimisant l'utilisation de la mémoire tout en gardant la précision.

Un aperçu de l'intersection entre les systèmes de vidéo et de compréhension du langage.

De nouveaux repères garantissent que les systèmes d'IA restent pertinents avec les infos qui évoluent.

Un nouveau jeu de données aide à repérer le contenu subjectif dans les articles de news en arabe.

Cet article examine comment la négation affecte les grands modèles de langage et leur précision.

Un nouveau cadre améliore l'efficacité et la performance de la reconnaissance des entités nommées.

Découvre comment la morphologie computationnelle aide à mieux comprendre la langue.

Voici MoeSumm : un modèle de résumé flexible et efficace.

PairCFR améliore les modèles d'entraînement en utilisant des données contrefactuelles pour de meilleures performances.