Articoli più recenti per Addestramento del modello

Impara a regolare il weight decay per migliorare le prestazioni del modello in AdamW.

I nuovi modelli linguistici mostrano prospettive interessanti nella comprensione e generazione del linguaggio umano.

I modelli deboli possono aiutare i modelli AI forti a imparare in modo più efficace.

I dataset dinamici migliorano l'apprendimento del modello e riducono il fabbisogno di risorse.

Il nuovo metodo smup migliora l'efficienza nell'addestramento delle reti neurali sparse.

Esplorare l'uso dei LLM per migliorare compiti di visione a basso livello come la rimozione del rumore e la sfocatura.

Questa ricerca si concentra sulla generazione di pseudo-programmi per migliorare i compiti di ragionamento nei modelli.

Esplorare la regolarizzazione dei raggruppamenti di task per gestire l'eterogeneità del modello.

Un nuovo metodo riduce tempo e costi nella formazione dei modelli di diffusione.

FedHPL migliora l'efficienza dell'apprendimento federato mantenendo la privacy dei dati su tutti i dispositivi.

Un nuovo metodo permette il trasferimento dei moduli LoRA con dati sintetici, riducendo al minimo la dipendenza dai dati originali.

Un nuovo metodo migliora le prestazioni del modello usando dati con etichette rumorose.

Esplorare metodi di allenamento efficienti per grandi modelli di machine learning.

Analizzando come LoRA influisce sulla-retention delle conoscenze nei modelli pre-addestrati durante l'apprendimento continuo.

Un nuovo concetto di modello mostra come testare efficacemente le capacità dell'IA.

Esaminando gli effetti delle caratteristiche anomale sul training delle reti neurali.

Quest'articolo parla di un approccio innovativo per migliorare i modelli linguistici usando modelli più piccoli.

Questo articolo parla di minimizzazione consapevole della nitidezza ispirata al dominio per una migliore adattamento 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.