Articoli più recenti per Addestramento del modello

Un nuovo metodo punta a affrontare il bias nei risultati dei modelli di linguaggio.

Un nuovo metodo migliora i modelli di ricompensa usando critiche sintetiche per un allineamento migliore.

Analizzare come l'IA impara dai dati rivela lacune significative nella logica e nel ragionamento.

Skywork-MoE migliora l'elaborazione del linguaggio con tecniche efficienti e un'architettura innovativa.

Presentiamo PART, un metodo per migliorare l'accuratezza e la robustezza dei modelli di machine learning.

DEFT migliora i modelli di diffusione per un campionamento condizionale efficace con risorse minime.

Questo studio esamina come i LLM gestiscono il ragionamento in scenari astratti e contestuali.

Un nuovo metodo migliora la protezione della privacy durante l'addestramento dei modelli di deep learning.

Questo articolo presenta un nuovo approccio per migliorare l'efficienza dell'allenamento dei modelli linguistici.

Introducendo un framework universale per le misure di nitidezza nel machine learning.

Un nuovo metodo fa luce su come i modelli linguistici ricordano i dati di addestramento.

Impara a allenare modelli per le rappresentazioni testuali in modo saggio ed efficace.

PairCFR migliora i modelli di allenamento usando dati controfattuali per ottenere prestazioni migliori.

Presentiamo ProFeAT per migliorare la robustezza dei modelli contro gli attacchi avversariali.

Quest'articolo parla di come i modelli possono dimenticare i pregiudizi per migliorare le previsioni.

Uno studio che rivela i fattori che influenzano l'apprendimento in contesto nei Transformers.

Un nuovo metodo migliora l'Empirical Fisher per ottimizzare meglio i modelli.

Un metodo per migliorare i modelli degli studenti usando le intuizioni dai modelli dei maestri più forti.

Personalizzare i modelli generativi per riflettere identità uniche attraverso lo spazio dei pesi.

Esaminando come le soft labels migliorano il machine learning attraverso la distillazione dei dataset.

Parlando di metodi per migliorare la gestione dei dati nell'addestramento di grandi modelli AI.

Il Twin-Merging migliora l'efficienza e l'adattabilità del merging dei modelli in vari compiti.

Scopri come il target unlearning protegge la privacy permettendo ai modelli di dimenticare informazioni specifiche.

Un nuovo framework affronta le sfide nella distillazione della conoscenza per dati a coda lunga.

Introducendo un metodo flessibile per i tassi di apprendimento che migliora le prestazioni del modello senza orari preimpostati.

Questo articolo parla di FS-GEN, che combina modelli grandi e piccoli per risultati migliori.

DIPS affronta i problemi di qualità dei dati nel pseudo-etichette per ottenere risultati migliori nel machine learning.

Un nuovo metodo migliora la selezione degli esempi e l'ottimizzazione delle istruzioni per i modelli di linguaggio di grandi dimensioni.

Un nuovo benchmark per l'unlearning delle macchine migliora la valutazione e il confronto dei metodi.

Esaminando come i LLM mostrano tratti di personalità tramite nuovi metodi di test.

LoTA offre un modo più intelligente per adattare i modelli linguistici a più compiti.

Uno sguardo al ruolo della complessità nelle prestazioni del modello.

Esplorando le leggi di conservazione e il loro ruolo in scenari complessi di apprendimento automatico.

Esaminando come i layer di normalizzazione influenzano le performance dei transformer e la gestione dei compiti.

Questo studio si concentra su come migliorare le risposte dei modelli puntando su requisiti di lunghezza specifici.

Migliorare l'elaborazione dei dati attraverso la condivisione delle conoscenze tra diversi tipi di dati.

Uno sguardo alla relazione tra la dimensione del modello e l'efficienza dei dati di addestramento.

Un nuovo approccio migliora la regolazione della temperatura nella distillazione della conoscenza per un migliore addestramento del modello.

La ricerca mostra che i modelli linguistici faticano con il ragionamento sbagliato, sollevando preoccupazioni per la sicurezza.

Questo studio analizza come i transformer utilizzano il contesto nella previsione del linguaggio.