پرش به محتوای اصلی

دسته‌بندی

تحلیل و بررسی تخصصی

تحلیل‌های عمیق مدل‌ها، مقالات و بنچمارک‌ها — پیش‌چاپ‌ها، ارزیابی‌ها، مدل‌های زبانی پیشرو و پژوهش همراستاسازی.

۶٬۸۲۳ مقاله منتشر شده

چگونه RTTAD از آلودگی مدل در تشخیص ناهنجاری‌های داده‌های جدولی جلوگیری می‌کند؟

چارچوب RTTAD با معرفی یک مکانیسم آگاه از ریسک، مانع از یادگیری اشتباه ناهنجاری‌ها به عنوان داده‌های نرمال در زمان استقرار می‌شود. این مدل با ترکیب آموزش دو-وظیفه‌ای و پالایش…

۲ دقیقه خواندن۳

چگونه DP-LAC دقت مدل‌های زبانی در یادگیری فدرال خصوصی را ۶.۶٪ افزایش داد؟

متد جدید DP-LAC با بهینه‌سازی خودکار آستانه‌های برش، دقت یادگیری فدرال خصوصی را بدون مصرف بودجه‌ی اضافی حریم خصوصی ارتقا می‌دهد. این رویکرد تضاد دیرینه میان دقت مدل و حفظ محرمانگی…

۲ دقیقه خواندن۳

چرا مکانیسم‌های خوداصلاحی مدل‌های زبانی در برابر حملات M³Att شکست می‌خورند؟

پژوهشگران چارچوب M³Att را معرفی کردند که با استفاده از محرک‌های بصری و اطلاعات گمراه‌کننده، سیستم‌های RAG پزشکی را هدف قرار می‌دهد. این حمله مدل‌ها را فریب می‌دهد تا تشخیص‌های…

۲ دقیقه خواندن۱

چرا نمونه‌برداری یکنواخت در یادگیری تقویت‌شده با داده‌های محدود شکست می‌خورد؟

پژوهشگران دریافتند که در محیط‌های با حجم بازپخش پایین، نمونه‌برداری غیریکنواخت به‌طور قابل‌توجهی از مدل‌های پایه یکنواخت پیشی می‌گیرد. استراتژی پیشنهادی «هندسی کوتاه شده»، تعادلی…

۲ دقیقه خواندن۱

HeteroGenManip: افزایش ۳۶.۷ درصدی نرخ موفقیت ربات‌ها در تعامل با اشیاء متنوع

پژوهشگران چارچوب HeteroGenManip را برای تفکیک مرحله‌ی گرفتن از تعاملات پیچیده رباتیک توسعه داده‌اند. این سیستم با هدایت اشیاء به مدل‌های تخصصی، موفقیت عملیاتی را در محیط‌های واقعی…

۲ دقیقه خواندن

داده‌های منطقه‌ای هلند: دستیابی به عملکرد جهانی با ۱.۲ میلیون تصویر ماهواره‌ای

پژوهشگران با توسعه یک مدل بنیادی برای هلند، ثابت کردند که بافتار زمانی می‌تواند جایگزین حجم عظیم داده‌ها شود. این مدل با استفاده از ۱.۲ میلیون تصویر، عملکردی رقابتی در بنچمارک‌های…

۲ دقیقه خواندن۲

درون معماری DynGhost: پیوند ترنسفورمرهای زمانی و آشکارسازهای تک‌فوتونی

معماری DynGhost با بهره‌گیری از ترنسفورمرهای زمانی، محدودیت‌های بازسازی صحنه‌های پویا در تصویربرداری شبح‌وار را از بین برد. این مدل با جایگزینی مدل‌های نویز ساده با آموزش…

۲ دقیقه خواندن۱

چگونه ProteinOPD زمان آموزش همراستاسازی پروتئین‌ها را ۸ برابر کاهش داد؟

چارچوب ProteinOPD با جایگزینی یادگیری تقویت‌شده با روش تقطیر، مانع از تخریب قابلیت طراحی مدل‌های زبانی پروتئین در حین تنظیم دقیق می‌شود. این رویکرد جدید، سرعت آموزش را ۸ برابر…

۲ دقیقه خواندن۲

LegalCiteBench: نرخ خطای ۹۴ درصدی مدل‌های زبانی در بازیابی استنادات حقوقی

یک بنچمارک جدید نشان می‌دهد که پیشرفته‌ترین مدل‌های زبانی در بازیابی دقیق استنادات حقوقی بدون دسترسی به منابع خارجی شکست می‌خورند. این مطالعه ثابت می‌کند که مقیاس مدل و پیش‌آموزش…

۲ دقیقه خواندن۱

چگونه GSNF تعامل متغیرها در سری‌های زمانی نامنظم را مدل می‌کند؟

پژوهشگران با معرفی GSNF، شکاف تعاملات بین‌متغیری در طبقه‌بندی سری‌های زمانی چندمتغیره و نامنظم را برطرف کردند. این مدل با استفاده از نظارت‌گری خودکار، کارایی جریان‌های عصبی…

۲ دقیقه خواندن۱