Artigos mais recentes para Avaliação do Modelo

Um olhar sobre a dimensão efetiva e seu impacto no treinamento de modelos.

Este artigo avalia o quão bem modelos de linguagem explicam conceitos científicos.

Esse artigo analisa os GAMs como uma solução para desempenho preditivo e interpretabilidade.

Analisando como amostras difíceis afetam o desempenho do modelo e a confiabilidade da precisão do teste.

Esse artigo examina como diferentes camadas afetam o desempenho dos LLMs.

Rótulos suaves podem melhorar o desempenho de modelos de aprendizado de máquina em cenários de dados incertos.

O RepairBench define padrões pra comparar modelos de IA na correção de bugs de software.

Esse método melhora a confiabilidade das pontuações de confiança dos modelos de linguagem.

Aprenda como o domínio de aplicabilidade afeta a precisão dos modelos preditivos em várias áreas.

Um método pra estimar a confiabilidade das respostas de modelos de linguagem grandes.

Um novo método pra testar modelos de linguagem usando texto aleatório.

Um método pra melhorar a eficácia do vetor de direcionamento em modelos de linguagem.

Explore o impacto do aprendizado por atalho em modelos de linguagem e suas aplicações no mundo real.

Este artigo analisa métodos para comparar modelos generativos por meio de representações baseadas em embedding.

Uma estrutura pra equilibrar o aprendizado de pseudo-rótulos em machine learning.

Nova ferramenta H-POPE melhora a precisão dos modelos de visão-linguagem.

Um estudo sobre as habilidades de diferentes modelos em Aprendizado em Contexto.

Um novo framework identifica quando modelos multimodais usam dados de treinamento inadequados.

Este artigo fala sobre a necessidade de transparência nos benchmarks de modelos de linguagem.

Uma visão geral das forças e fraquezas dos Modelos de Visão-Linguagem de hoje.

Um estudo completo comparando métodos para estimar intervalos de confiança em modelos de machine learning.

Uma olhada nas redes de similaridade para melhorar a justiça em machine learning.

Aprenda estratégias para melhorar o desempenho do modelo em conjuntos de dados desbalanceados.

Um guia pra entender o desempenho de modelos de IA usando o framework FEET.

Uma estrutura pra comparar modelos de previsão usando componentes principais.

O RLInspect ajuda a analisar e melhorar modelos de aprendizado por reforço de forma eficaz.

Analisando como modelos de IA lidam com texto e imagens juntos.

Explorando como o tamanho do modelo afeta a performance na detecção OOD.

Um novo método melhora a detecção de dados desconhecidos em modelos de aprendizado profundo.

As tarefas de NLI ainda são relevantes para testar modelos de linguagem grandes?

O framework ICER testa as medidas de segurança em modelos de texto para imagem de forma eficaz.

Um estudo revela problemas de precisão em textos longos gerados por IA.

Um estudo sobre como os modelos de linguagem conectam fatos sem pegadinhas.

Uma olhada na adaptação de domínio, privacidade e aprendizado federado em ciência de dados.

O ElectroVizQA testa a compreensão da IA sobre eletrônica digital com perguntas visuais e textuais.

Novas métricas melhoram a compreensão dos Autoencoders Esparsos em redes neurais.

Um novo método melhora a avaliação de modelos generativos com dados rotulados limitados.

O Knowledge-CLIP melhora o alinhamento entre imagem e texto com estratégias de aprendizado avançadas.

PANGAEA avalia modelos de fundação geoespaciais com conjuntos de dados e tarefas diversas.

O DART-Eval avalia modelos de DNA pra entender melhor a regulação dos genes.