Articoli più recenti per Valutazione del modello

Esaminando l'impatto della miscalibrazione sulla resilienza dei modelli NLP agli attacchi avversari.

Un nuovo metodo migliora la robustezza dei test dei modelli linguistici dando priorità alla novità.

Esaminando l'addestramento avversariale per modelli di machine learning più forti contro gli attacchi.

I modelli di linguaggio grandi hanno problemi a estrarre con precisione le relazioni tra le entità.

Questo articolo mette in evidenza le sfide legate all'accuratezza del conteggio nei modelli di intelligenza artificiale.

NPHardEval4V valuta le capacità di ragionamento dei modelli di linguaggio multimodali di grande dimensione.

Un nuovo set di dati per valutare le abilità di pianificazione dei modelli linguistici in compiti della vita reale.

Introducendo l'ipervolume avversariale per valutare meglio le prestazioni dei modelli di deep learning.

Questo lavoro analizza le prestazioni dei trasformatori semplificati nei compiti di previsione.

Un nuovo benchmark valuta l'apprendimento continuo nei modelli di linguaggio multimodali.

Uno sguardo a PAC-Bayes e al suo impatto sulle prestazioni del modello.

AVIBench testa LVLM per assicurarsi che resistano a istruzioni visive avversarie.

Questo articolo esamina i punti di forza e di debolezza del modello VMamba.

Uno studio che mette a confronto le spiegazioni dei modelli multilingue e monolingue e la loro fedeltà.

Un nuovo metodo per valutare la novità nei risultati dell'AI generativa.

Esplora diversi modelli usati per la classificazione dei dati e la stima dell'incertezza.

Un nuovo dataset punta a migliorare i modelli di rilevamento dell'odio per la lingua tedesca.

Questo documento esamina come i dati influenzano la valutazione dei modelli NLP.

IsoBench valuta come i modelli gestiscono testo e immagini per identificare i punti di forza.

Scopri cosa sono gli attacchi avversariali e come influenzano i modelli di apprendimento automatico.

Uno studio che confronta le prestazioni di sicurezza dei modelli linguistici più popolari.

Un framework per valutare come i dati di addestramento influenzano il comportamento dei modelli di intelligenza artificiale.

Un nuovo benchmark valuta la comprensione dei modelli linguistici riguardo ai significati delle parole e alle loro relazioni.

Un metodo per verificare l'affidabilità del modello senza etichette vere.

Uno studio che confronta i metodi di Attribuzione per Istanza e Neurone nei modelli di linguaggio.

Esplorare come il transfer learning influisce sull'efficacia dei modelli in diversi contesti di dati.

Ehi, ti presento il metodo FB per una valutazione migliore dei modelli in cosmologia.

Uno studio rivela problemi di eccessiva fiducia nei modelli di linguaggio e visione dell'IA.

Questo articolo parla di early stopping per migliorare l'efficienza nella selezione dei modelli nel machine learning.

Esplorare i vantaggi e le sfide degli embedding variabili condivisi nel machine learning.

Nuove tecniche migliorano l'affidabilità e la semplicità nei modelli di programmazione genetica.

Presentiamo AnyLoss, che trasforma le metriche in funzioni di perdita per un miglior addestramento del modello.

Questo articolo parla di nuovi metodi per spiegare le decisioni dell'IA nella rilevazione degli oggetti.

Uno sguardo a come gli esempi avversari sfidano i modelli di intelligenza artificiale.

Impara i metodi chiave per scegliere i parametri di tuning nell'analisi dei dati per previsioni migliori.

Un nuovo benchmark per valutare gli LLM nelle attività di cybersecurity.

Questo documento propone nuovi metodi per valutare la frammentazione delle informazioni nel machine learning.

Questo documento presenta un approccio per creare classificatori AI facili da capire.

Questo studio esamina quanto bene i modelli pre-addestrati raggruppano dati non visti.

Introduzione di nuovi metodi per migliorare i processi di dimenticanza nei modelli di apprendimento contrastivo.