Articoli più recenti per Ottimizzazione del modello

Nuovi metodi migliorano l'efficienza nell'addestramento di modelli neurali più piccoli.

Un metodo per migliorare le prestazioni del modello tramite l'aggiustamento dei iperparametri in base all'ordine dei compiti.

Questo studio confronta CMA-ES e GES per costruire migliori ensemble di modelli.

Un nuovo metodo ottimizza i modelli vocali per migliori prestazioni con meno risorse.

Questo studio si concentra sul migliorare le performance dei modelli negli ensemble attraverso la dissimilarità nell'addestramento.

Scopri il Dynamic Sparse Training e i vantaggi per l'efficienza delle reti neurali.

Come i modelli pre-addestrati influenzano le prestazioni su nuovi dati.

Un nuovo metodo migliora la velocità e la precisione dei modelli nel machine learning.

Esplorare strategie di quantizzazione per migliorare le prestazioni nei modelli di linguaggio grandi.

Una panoramica dei metodi di potatura e quantizzazione applicati a YOLOv5.

Un metodo che migliora le prestazioni del modello riducendo al contempo le esigenze di risorse.

Nuovi metodi riducono la dimensione del modello mantenendo le prestazioni nei compiti di visione artificiale.

Nuove intuizioni sul potenziale delle reti neurali profonde tramite stime ottimistiche.

Nuovi metodi per ampliare i modelli transformer senza perdere i progressi di addestramento precedenti.

DiffTPT migliora l'adattabilità e la precisione dei modelli grazie a tecniche innovative di aumento dei dati.

Evol-Q migliora l'accuratezza della quantizzazione nei Vision Transformers usando tecniche di ricerca evolutiva.

Migliorare come TinyBERT impara da BERT per una migliore elaborazione del linguaggio.

Un nuovo approccio riduce la dimensione dei modelli transformer con un impatto minimo sulla precisione.

Tecniche per migliorare l'efficienza nei modelli visivi usando potatura e decomposizione delle matrici.

Questo articolo parla della correzione del bias per i layer softmax nei modelli generativi.

Scopri metodi per rendere i Vision Transformers più efficienti per le applicazioni nel mondo reale.

Rendere i trasformatori di visione più efficienti per droni e dispositivi mobili per migliorare i compiti visivi.

Delta-LoRA semplifica il fine-tuning per i grandi modelli di linguaggio, offrendo prestazioni migliori e un minor consumo di risorse.

La ricerca migliora i metodi di distillazione della conoscenza per una segmentazione semantica delle immagini più efficiente.

Un nuovo approccio migliora le prestazioni del modello linguistico attraverso un arrotondamento dei pesi ottimizzato.

Questo articolo parla dei miglioramenti nei metodi di pooling per i transformer nell'apprendimento supervisionato.

FedDIP ottimizza la comunicazione nel federated learning attraverso potatura dinamica e regolarizzazione.

Un nuovo approccio per migliorare i Vision Transformers sui dispositivi mobili.

Nuovo metodo migliora i modelli Transformer riducendo il calcolo e l'uso di memoria.

Lo studio esplora i formati FP8 per migliorare l'efficienza e l'accuratezza dei modelli.

Un nuovo approccio semplifica il design dei modelli per dispositivi con potenza di calcolo limitata.

Migliorare il Zero-Shot NAS con la correzione dei bias per prestazioni migliori del modello.

Combinare modelli per aumentare l'accuratezza e l'efficienza nel deep learning.

GRANDE usa la discesa del gradiente per migliorare l'apprendimento dai dati tabulari.

DeeDiff migliora i modelli di diffusione saltando passaggi inutili, aumentando la velocità senza sacrificare la qualità.

Un nuovo approccio migliora l'apprendimento delle caratteristiche nei variational autoencoders.

Uno studio su come le scelte dei parametri influenzano le performance del modello nella distillazione della conoscenza.

L'allenamento efficiente a basso rango migliora i modelli CNN per ambienti con risorse limitate.

Migliorare l'adattabilità dei modelli linguistici attraverso il recupero selettivo degli esempi.

Un nuovo metodo migliora l'efficienza della selezione delle caratteristiche nei modelli di machine learning.