Articoli più recenti per Elaborazione del linguaggio naturale

Due algoritmi innovativi creano in modo efficace esempi avversariali sottili nel processamento del linguaggio.

Esplorando i progressi e le sfide nella tecnologia dei modelli di linguaggio grandi.

Il framework MExGen migliora le spiegazioni per i modelli di linguaggio generativi, aumentando la fiducia degli utenti.

Presentiamo RLRF: un framework per migliorare le prestazioni dei modelli di linguaggio attraverso feedback dettagliati.

La ricerca mostra come la qualità del contesto influisce sulle prestazioni dei modelli di linguaggio AI.

Quest'articolo parla di metodi per migliorare le abilità di ragionamento dei modelli linguistici.

CoLLEGe aiuta i modelli linguistici a imparare nuovi concetti in modo efficiente usando pochi esempi.

Un metodo per creare testo coerente a partire dai punti salienti di più documenti.

Uno sguardo all'importanza e ai metodi per l'estrazione delle relazioni temporali degli eventi.

Un nuovo dataset aiuta i modelli IR ad adattarsi a istruzioni complesse per migliori prestazioni.

Scopri come il clustering del testo organizza i contenuti scritti per un'analisi migliore.

Audio Flamingo è super nel ascoltare, chiacchierare e adattarsi a nuove task audio.

Un nuovo metodo migliora i modelli di lingua attraverso l'integrazione della conoscenza.

AttentionStore migliora l'efficienza nelle conversazioni dei modelli linguistici riutilizzando cache passate.

Questo lavoro esplora come il feedback umano può migliorare i modelli di riassunto.

TrustSQL valuta i modelli text-to-SQL per l'affidabilità nella gestione di domande a cui si può rispondere e domande a cui non si può rispondere.

Scopri come X-AMR trasforma la risoluzione della coreferenza degli eventi con una rappresentazione grafica.

Questo studio sottolinea l'importanza della qualità rispetto alla quantità nei dati di addestramento per la generazione di immagini.

ALoRA migliora la messa a punto dei modelli di linguaggio allocando i parametri in modo dinamico.

ChapTER combina contesto storico e conoscenza testuale per migliorare le prestazioni di TKGR.

Questo studio affronta le sfide nel catturare termini medici precisi da audio rumoroso.

Sforzi per migliorare le rappresentazioni delle frasi per gestire meglio il linguaggio informale.

Lo studio confronta sistemi basati su regole e modelli linguistici per estrarre dati di supporto sociale.

Presentiamo TABDet, un nuovo metodo per rilevare attacchi backdoor in vari compiti NLP.

Un modello linguistico potente per applicazioni diverse in più lingue.

Quest'articolo esplora come gli elementi testuali influenzano i compiti di classificazione nel NLP.

Uno studio su come la conoscenza pregressa influisce sulla capacità dei LLM di riconoscere le emozioni.

Nuovi metodi migliorano la generazione di testi concentrandosi su citazioni concise e rilevanti.

Questo studio confronta i metodi SES per una lemmatizzazione migliorata in diverse lingue.

Un framework per generare repository di codice usando requisiti di linguaggio semplici.

Un metodo per migliorare la comprensione delle macchine attraverso embedding multifaccettati.

Un nuovo strumento aiuta gli utenti a modificare i suoni facilmente attraverso semplici istruzioni testuali.

Il framework OPTIN migliora i modelli transformer senza doverli riaddestrare per diversi compiti di intelligenza artificiale.

Esaminare i pregiudizi nella previsione del prossimo token e il loro impatto sulle prestazioni del modello.

Esplora i punti di forza e di debolezza delle RNN e dei Transformers nell'elaborazione del linguaggio naturale.

Questo articolo parla di metodi per ridurre gli errori nei modelli linguistici.

Il dataset ChroniclingAmericaQA migliora il question answering usando testi di giornali storici.

ArabicaQA migliora il sistema di domande e risposte in arabo con un dataset su larga scala.

Un nuovo metodo migliora l'affidabilità nel trovare connessioni all'interno dei modelli linguistici.

Questo studio valuta diversi modelli linguistici per la classificazione del testo usando pochi dati di addestramento.