Articoli più recenti per Addestramento del modello

Una strategia per migliorare le prestazioni e l'equità nei modelli di apprendimento federato.

CompeteSMoE migliora l'efficienza dell'allenamento e le performance nei modelli Sparse Mixture of Experts.

Metodi per ridurre il bias del dataset per migliorare le prestazioni del modello.

Questo articolo esamina l'impatto del rumore sulle prestazioni dei modelli di linguaggio.

I coresets permettono di fare calcoli in modo efficiente nel machine learning senza perdere precisione.

Un nuovo metodo per generare materiali PBR realistici usando modelli di immagini RGB.

Esplorare come il training avversariale migliora la robustezza del modello attraverso la purificazione delle caratteristiche.

Esplorare le sfide e le soluzioni del reward hacking nell'addestramento dei modelli AI.

Un metodo per mantenere la conoscenza nei modelli di intelligenza artificiale mentre ci si adatta a nuovi compiti.

Un modo nuovo di affinare i modelli migliora l'efficienza e la precisione nei compiti di machine learning.

Un nuovo approccio per migliorare le performance del modello in diverse condizioni di dati.

Un metodo per migliorare la memoria dell'IA bilanciando l'apprendimento di informazioni nuove e vecchie.

Questo studio analizza come i modelli linguistici adattano le loro previsioni utilizzando l'apprendimento in contesto.

Un approccio semplificato per addestrare modelli AI basati sull'auto-giudizio.

Questo studio esamina come diverse fonti di dati influenzano i modelli di linguaggio di grandi dimensioni.

Uno studio sull'efficacia di RLAIF rispetto al fine-tuning supervisionato per i modelli di linguaggio.

Un nuovo metodo migliora il machine learning riducendo le correlazioni fuorvianti.

Esaminando le dimensioni del campione necessarie affinché modelli specializzati superino quelli generali.

Scopri come la distillazione della conoscenza migliora i modelli più piccoli usando le intuizioni di quelli più grandi.

FedUV migliora le performance del modello nel federated learning su dati non IID.

Un nuovo approccio affronta le etichette rumorose nei modelli di machine learning.

Scopri come il campionamento negativo semplifica l'addestramento dei modelli e migliora le prestazioni.

Un nuovo metodo aiuta a migliorare l'apprendimento da etichette di dati rumorosi nel machine learning.

Un nuovo metodo migliora l'efficienza dell'apprendimento attivo nel machine learning.

Esplorare come le simmetrie nelle funzioni di perdita influenzano la dinamica del SGD durante il deep learning.

Un nuovo metodo migliora la resilienza dei modelli agli esempi avversari attraverso l'aggiustamento dei prompt testuali.

RENT migliora le prestazioni del modello utilizzando tecniche di campionamento con etichette rumorose.

Un metodo per migliorare le prestazioni del modello su diversi gruppi di dati.

Questo articolo parla del Flusso Gradiente Stocastico e del suo impatto sull'apprendimento dei modelli.

DARL offre nuovi metodi per far sì che le macchine apprendano e creino immagini in modo efficace.

Nuove scoperte mettono in discussione l'idea che la robustezza della classificazione e quella delle spiegazioni siano collegate.

Esaminando come il rumore nei dati di pre-addestramento influisce sulle prestazioni del modello.

Un nuovo approccio migliora le prestazioni degli studenti nel training dei modelli.

Un nuovo approccio migliora le prestazioni del modello contro i cambiamenti di distribuzione e gli attacchi avversari.

Nuovi metodi mirano a migliorare le prestazioni del modello su dati non visti.

Uno studio mostra come la difficoltà dei compiti influisce sull'addestramento nei modelli di diffusione.

Un nuovo metodo migliora la robustezza del modello mantenendo le prestazioni nei compiti del mondo reale.

Scopri come la riprogrammazione dei modelli migliora l'apprendimento automatico senza grandi aggiustamenti.

Il label smoothing migliora l'accuratezza ma potrebbe ridurre l'affidabilità nella classificazione selettiva.

Questo articolo parla di un nuovo metodo per migliorare i circuiti probabilistici usando tecniche di clustering morbido.