Articoli più recenti per Efficienza Computazionale

Un nuovo approccio per valutare le strategie di ragionamento con un occhio ai costi computazionali.

Un nuovo metodo migliora l'apprendimento dei dati in ambienti di streaming.

Nuovo metodo migliora la condensazione dei dataset per migliori risultati nel machine learning.

I metodi GPU migliorano i calcoli adattivi degli elementi finiti, aumentando velocità ed efficienza.

Un nuovo metodo migliora le prestazioni dei LLM su testi lunghi senza perdere precisione.

Nuove tecniche migliorano l'efficienza nella risoluzione di grandi sistemi lineari.

L'apprendimento attivo quantistico migliora l'addestramento del modello etichettando i dati in modo selettivo.

PromptDSI migliora il recupero dei documenti gestendo in modo efficiente le informazioni nuove e quelle già esistenti.

Un nuovo approccio alle metriche di valutazione della traduzione automatica per una maggiore accessibilità.

Nuovo metodo migliora l'efficienza dell'addestramento DNN e riduce l'uso della memoria.

Nuove strutture a matrice migliorano il fine-tuning per i modelli di intelligenza artificiale con una minore richiesta di risorse.

Tecniche per migliorare le prestazioni nell'addestramento di modelli con privacy differenziale.

AdaZeta riduce l'uso della memoria migliorando al contempo le prestazioni nella messa a punto di grandi modelli di linguaggio.

Migliorare l'adattabilità negli algoritmi di ottimizzazione appresi usando metodi tradizionali.

Nuovi algoritmi migliorano l'efficienza nell'ottimizzazione bilevel distribuita con compressione della comunicazione.

WallFacer migliora l'efficienza nell'addestramento di modelli Transformer a lungo raggio con comunicazioni ottimizzate.

Un nuovo standard migliora la velocità e l'efficienza energetica delle reti neurali nel computing.

Questo articolo parla di come migliorare la MUSICA con il calcolo approssimato per ottenere prestazioni migliori.

Un nuovo approccio per migliorare l'efficienza e la velocità nei modelli linguistici.

NEIM usa reti neurali per semplificare modelli non lineari complessi per un'analisi efficiente.

Questo documento propone un metodo per convertire l'ICL in pesi del modello per un miglioramento delle prestazioni.

Un nuovo metodo di apprendimento automatico migliora l'efficienza dei calcoli dei funzionali spettrali di Koopmans.

Questo articolo descrive un nuovo approccio che utilizza il Test-Time Training per migliorare le prestazioni delle RNN.

Scopri come i sottospazi casuali migliorano la generalizzazione dei modelli nel machine learning.

Un nuovo metodo migliora l'efficienza e le prestazioni di LoRA nella formazione di grandi modelli.

Un approccio semplificato per implementare l'Orthogonal Matching Pursuit per soluzioni sparse.

Introducendo le matrici Group-and-Shuffle per un fine-tuning efficiente dei modelli neurali.

Migliorare i modelli di misto nel machine learning per una maggiore efficienza e risultati.

Una selezione dei dati efficace migliora le performance nei modelli di linguaggio di grandi dimensioni.

Scopri come la sparsità dei blocchi di peso migliora le performance e l'efficienza dell'AI.

Un nuovo metodo migliora l'efficienza dei modelli linguistici usando pesi di attenzione condivisi.

MaskMoE migliora l'apprendimento dei token nei modelli MoE potenziando le prestazioni dei token poco frequenti.

Un nuovo algoritmo migliora la velocità di clustering garantendo al contempo una rappresentazione accurata dei dati.

GoldFinch offre memoria e elaborazione efficienti per compiti di testo lunghi.

I metodi bayesiani migliorano la velocità e l'accuratezza dell'analisi dei dati per grandi set di dati.

Questo documento mette in evidenza le prestazioni dei modelli linguistici ternari e la loro efficienza.

Esplora come il modello di blocco stocastico aiuta a identificare le comunità nelle reti.

Scopri come l'approssimazione a basso rango semplifica le grandi matrici e migliora i calcoli.

Nuovi metodi riducono i costi di comunicazione per calcoli di data science più veloci.

LSM-GNN migliora il training multi-GPU per reti neurali grafiche su larga scala.