Articoli più recenti per Elaborazione del linguaggio naturale

Esplorare l'apprendimento in contesto per un editing efficace della conoscenza nei modelli linguistici.

Questo metodo migliora i modelli linguistici per aree specifiche in modo efficiente.

La ricerca mostra che i bias possono trasferirsi tra le lingue nell'analisi del sentiment.

Sfruttare i modelli linguistici grandi per processi di verifica dei fatti più efficienti.

Presentiamo un dataset per un migliore monitoraggio degli stati delle entità nei testi procedurali.

Un nuovo approccio per una selezione d'esempio migliore nei modelli di linguaggio.

Un nuovo metodo semplifica l'estrazione dei dati da tabelle complesse usando tecniche basate su schema.

Questo studio valuta l'efficacia di ChatGPT e OpenAssistant nella classificazione dei dati dei social media.

Esamina questioni di coerenza nei modelli di linguaggio grandi e le loro implicazioni.

Scopri come l'OIE migliora il rilevamento degli eventi da aree ricche a quelle a basse risorse.

Uno studio che mette in evidenza i vantaggi delle restrizioni grammaticali nei risultati dei modelli linguistici.

X-LLM integra immagini, video e discorsi nel trattamento del linguaggio.

Questo studio analizza come il posizionamento del prompt influisce sulle prestazioni del modello linguistico.

Un nuovo metodo auto-supervisionato migliora il ragionamento logico senza bisogno di tanti dati etichettati.

Esplorando come i LLM gestiscono domande senza risposte chiare.

Un nuovo framework migliora l'allineamento tra domanda e conoscenza per risposte precise dei modelli linguistici.

Questo articolo esplora come i dati di addestramento influenzano la generazione di immagini dai modelli da testo a immagine.

Un metodo per migliorare i modelli linguistici black-box usando modelli più piccoli e allenabili.

Il modello TACR migliora il modo in cui i sistemi rispondono alle domande usando tabelle e testo.

Utilizzare le differenze tra annotatori può migliorare l'accuratezza dell'elaborazione del linguaggio naturale.

Un nuovo framework migliora l'analisi della letteratura biomedica collegando entità ed estraendo eventi.

Un nuovo sistema migliora la precisione nelle risposte a diverse domande tramite modelli specializzati.

Uno studio svela i limiti dei modelli di linguaggio con recupero aumentato per la generazione di testi.

EXnet offre soluzioni innovative per compiti di classificazione del testo con esempi illimitati.

LiPoR offre un nuovo modo per gestire spiegazioni plausibili senza etichette chiare.

Combinare l'apprendimento attivo e il fine-tuning efficiente dei parametri migliora le prestazioni del modello con dati limitati.

Introducendo un framework strutturato per un ragionamento efficace su testi lunghi.

La ricerca evidenzia l'importanza della coerenza nella rappresentazione nei modelli NLP.

Esaminando i problemi di output imprecisi nei grandi modelli linguistici.

Il dataset MMSMR punta a migliorare la valutazione delle conversazioni nei chatbot con risposte umane variegate.

Questo studio valuta i modelli di linguaggio per la risoluzione della coreferenza senza esempi precedenti.

LMSI permette ai modelli di linguaggio di migliorare le prestazioni senza bisogno di troppi input umani.

Un nuovo approccio migliora la capacità dei modelli di confrontare diverse entità usando dati vari.

Questo studio esamina come i modelli linguistici rispondono agli errori nel testo.

La ricerca migliora la capacità dei modelli OpenQA di gestire piccole modifiche nelle domande.

Dynosaur automatizza la creazione di dati per il tuning delle istruzioni, offrendo vantaggi in termini di qualità e costi.

Nuovi metodi migliorano il finetuning di modelli grandi usando meno memoria.

WebIE affronta le sfide di estrazione di dati strutturati dai contenuti web.

Questo studio valuta come i LLM migliorano i dati di addestramento per il ragionamento di buon senso in varie lingue.

Presentiamo un sistema che spiega in modo chiaro la valutazione dei testi generati dalle macchine.