Martin Vechev

言語モデルのデータ汚染は、評価において深刻な信頼問題を引き起こす。

SafeCoderは、言語モデルによって生成されたコードの安全性を向上させる。

AI生成コンテンツにおけるウォーターマークの効果と脆弱性を調べる。

新しいアプローチが、フェデレーテッドラーニングのプライバシーの問題に対処しつつデータ回復を強化する。

研究によると、フェデレーテッドラーニングのテキストプライバシーへのアプローチに脆弱性があることがわかった。

表現学習手法の公平性を評価するための新しいベンチマーク。

量子化された言語モデルの危険性とその悪用の可能性を調べる。

研究は、大規模言語モデルにおける透かし検出の課題を明らかにしている。

統一されたライブラリは、ニューラルネットワークのトレーニング方法を比較する際の公平性を高めるんだ。

新しい手法が複雑な量子プログラムにおける非計算効率を向上させる。

スキルロスを減らしながら言語モデルを適応させる方法。

人気のコード補完ツールの脆弱性を分析して、その影響を開発者に与える。

この記事では、言語モデルをもっと公平に評価するための新しい評価システムについて話してるよ。