Articoli più recenti per Addestramento del modello

Un nuovo metodo migliora la stima dell'affinità dei compiti per l'apprendimento multitask.

Un approccio fresco migliora l'addestramento di gruppi di modelli diversi in modo efficiente senza dati OOD separati.

Scopri come la quantizzazione a bassa bit migliora l'efficienza dei grandi modelli linguistici.

Un nuovo approccio migliora il processo di apprendimento tra i modelli di insegnante e studente.

Un nuovo metodo per bilanciare la conoscenza generale e l'adattamento specifico ai compiti nei modelli.

Presentiamo TA-Cleaner, un metodo per migliorare le difese dei modelli multimodali contro il data poisoning.

Questo studio parla di come migliorare l'accuratezza dei modelli per dati sbilanciati usando la correzione logit.

Questo articolo parla di come l'apprendimento composizionale migliora le prestazioni dei modelli in vari compiti.

Un nuovo metodo migliora il trasferimento di conoscenze nei modelli di machine learning.

Questo articolo esamina come la lunghezza dell'allenamento influisce sui tassi di apprendimento nei LLM.

Un nuovo metodo per migliorare la resilienza del Federated Learning contro gli attacchi ai dati.

Un metodo per migliorare le prestazioni del modello nonostante etichette di dati sbagliate.

Questo articolo esplora lo smooth boosting e i suoi vantaggi nell'addestramento dei modelli.

Un nuovo modo per addestrare modelli di intelligenza artificiale rispettando gli standard di sicurezza.

ClassroomKD crea modelli più intelligenti grazie a interazioni dinamiche tra mentori e studenti.

Questo articolo parla dei vantaggi di usare PT-PEFT per modelli di apprendimento automatico intelligenti.

Scopri come i modelli di insegnamento migliorano gradualmente le loro prestazioni nel machine learning.

Uno sguardo alla Minimizzazione Consapevole della Nitidezza e al suo impatto sui modelli di apprendimento.

La ricerca mostra modi per migliorare la consapevolezza del contesto nei modelli linguistici per risposte migliori.

La contaminazione durante l'addestramento del modello può distorcere i risultati e far sembrare le performance diverse da come sono.

La ricerca fa luce su come regolare gli iperparametri per migliorare le prestazioni del modello.

Esplora come i modelli di diffusione trasformano il rumore in immagini fantastiche.

Un nuovo approccio per migliorare l'efficienza nella classificazione multi-etichetta estrema.

Uno sguardo all'apprendimento continuo e ai metodi innovativi per mantenere la conoscenza nei modelli di intelligenza artificiale.

Un nuovo modo di generare dati usando il matching dei flussi e metodi bayesiani.

Usare modelli più piccoli per velocizzare l'addestramento di modelli linguistici più grandi.

Un nuovo metodo migliora le prestazioni del modello su diversi tipi di dati.

I ricercatori esplorano come avere più punti di vista migliori la comprensione dell'IA sulle opinioni umane.

Uno sguardo al riconoscimento few-shot open-set e alle sue applicazioni.

Scopri come il cambiamento delle etichette influisce sul machine learning e trova i metodi per affrontarlo.

Uno sguardo semplice su come funzionano i Transformers e il loro impatto sulla tecnologia.

Dati scadenti possono portare a una scarsa performance dei modelli nelle applicazioni di deep learning.

Un metodo per gestire i dati rumorosi nell'apprendimento automatico.

Un nuovo metodo per un tuning efficiente degli iperparametri e gestione dei costi nell'addestramento dell'IA.

Ottimizzatori cauti migliorano l'efficienza dell'addestramento del modello con cambiamenti minimi.

LoRA-Mini riduce la complessità mantenendo alta la performance del modello.

MUSE offre un modo nuovo per allenare i modelli di intelligenza artificiale usando immagini a bassa risoluzione.

Impara a ridurre il sovraccarico di comunicazione nei modelli di deep learning per migliorare la velocità di addestramento.

La ricerca mette in evidenza i metodi per rilevare attacchi backdoor nel fine-tuning dei modelli di linguaggio.

Scopri i vantaggi di usare EMA nei modelli di deep learning.