Articoli più recenti per Valutazione del modello

Un nuovo benchmark mira a migliorare la valutazione dell'incertezza nei modelli linguistici.

Un nuovo metodo migliora il ragionamento del modello attraverso tracce di programmazione strutturata.

Esaminando come il fine-tuning influisce sulla sicurezza nei modelli linguistici in vari compiti.

Un nuovo modo di valutare i modelli di ML usando la Teoria della Risposta all'Elemento per avere intuizioni migliori.

Modelli di base solidi migliorano la valutazione dei sistemi ML nella sanità.

Uno sguardo agli intervalli di confidenza nel few-shot learning e il loro impatto sulla valutazione del modello.

Esaminando la comprensione e l'accuratezza dei risultati dei modelli linguistici.

Ricerca che mette in evidenza l'uso delle funzioni d'influenza per migliorare le prestazioni delle PINN nei problemi fisici.

Uno sguardo su come la dimensione efficace influisce sull'addestramento dei modelli.

Questo documento valuta quanto bene i modelli linguistici spiegano i concetti scientifici.

Questo articolo esamina i GAM come soluzione per le performance predittive e l'interpretabilità.

Esaminando come i campioni difficili influenzano le prestazioni del modello e l'affidabilità dell'accuratezza del test.

Questo articolo esamina come i diversi strati influenzano le prestazioni degli LLM.

Le etichette morbide possono migliorare le performance dei modelli di machine learning in situazioni di dati incerti.

RepairBench stabilisce standard per confrontare modelli di intelligenza artificiale nella risoluzione di bug software.

Questo metodo migliora l'affidabilità dei punteggi di confidenza del modello di linguaggio.

Scopri come il dominio di applicabilità influisce sulla precisione dei modelli predittivi in diversi settori.

Un metodo per stimare l'affidabilità delle risposte dai modelli di linguaggio di grandi dimensioni.

Un nuovo metodo per testare i modelli linguistici usando testi randomizzati.

Un metodo per migliorare l'efficacia dei vettori di steering nei modelli linguistici.

Esplora l'impatto dell'apprendimento per scorciatoie sui modelli linguistici e le loro applicazioni nel mondo reale.

Questo documento esamina metodi per confrontare modelli generativi attraverso rappresentazioni basate su embedding.

Un framework per bilanciare l'apprendimento con pseudo-etichettatura nel machine learning.

Il nuovo strumento H-POPE migliora l'accuratezza dei modelli visione-linguaggio.

Uno studio sulle abilità di diversi modelli nell'In-Context Learning.

Un nuovo framework identifica quando i modelli multimodali usano dati di addestramento inappropriati.

Questo articolo parla della necessità di trasparenza nei benchmark dei modelli linguistici.

Una panoramica sui punti di forza e le debolezze dei modelli Vision-Language di oggi.

Uno studio completo che confronta i metodi per stimare gli intervalli di confidenza nei modelli di machine learning.

Uno sguardo ai network di somiglianza per migliorare l’equità nel machine learning.

Impara strategie per migliorare le prestazioni del modello su dataset sbilanciati.

Una guida per capire le performance dei modelli AI usando il framework FEET.

Un framework per confrontare i modelli di previsione usando le componenti principali.

RLInspect aiuta ad analizzare e migliorare i modelli di apprendimento per rinforzo in modo efficace.

Esaminare come i modelli di intelligenza artificiale gestiscono insieme testi e immagini.

Esplorando come la dimensione del modello influisce sulle prestazioni nella rilevazione OOD.

Un nuovo metodo migliora la rilevazione di dati sconosciuti nei modelli di deep learning.

I compiti di NLI sono ancora rilevanti per testare i modelli di linguaggio grandi?

Il framework ICER testa le misure di sicurezza nei modelli da testo a immagine in modo efficace.

Uno studio rivela problemi di accuratezza nei testi lunghi generati dall'AI.