暂无搜索历史
深度学习技术的最新进展通常依赖于越来越大、越来越复杂的模型,这些模型利用庞大的数据集实现最先进的表现。刘等人; Touvron等人。然而,这种成功通常伴随着数据...
近年来,自然语言处理(NLP)领域大型语言模型(LLMs)取得了巨大成功,这吸引了越来越多的关注,以将其扩展到视觉语言(VL)任务。尽管取得了进步,但最近的多模...
训练大型语言模型需要消耗大量的计算资源,有时甚至需要花费长达六个月的赵等(2023年)。这为人工智能的发展带来了瓶颈并引发了环境问题。为了缓解这一问题,作者通常...
随着大型语言模型的显著进步,视觉语言模型(VLMs)也迅速发展。扩展LLMs以处理视觉输入并通过视觉指令调优的方法正在逐步增加。同时,线性时间复杂度的视觉语言模...
时间点过程(Temporal point processes, TPPs)(Shchur等,2021年)是建模事件随时间发生的有力的工具,广泛应用于社交网络、城...
眼科疾病如青光眼、黄斑变性、糖尿病视网膜病变等对全球视力健康构成了重大威胁,常常导致视力减弱甚至失明。[1]然而,由于医疗资源短缺,特别是服务不足的地区和发展中...
理解并推理长序列对于大语言模型(LLMs)至关重要,尤其是在像多轮对话、代码生成、多文本文档总结和问答等任务中。这些任务通常需要处理成千或甚至数百万个 Toke...
时间序列预测在众多领域中具有重要意义,包括金融、能源管理(马丁等,2010年)、医疗保健、气候科学(穆德,2019年)和工业运营(王等,2020年)。传统的预测...
可解释的事实验证是现代自动化事实核查的关键。最近的事实核查数据集通常包含标注的说明以突出其重要性。然而,关于可解释事实核查方法的研究主要集中在文本摘要上,在这种...
高质量标注数据被认为是深度学习进步的关键因素。然而,手动数据标注在成本和伦理方面存在显著挑战[5]。大型语言模型(LLMs)的最新发展激发了将其应用于文本数据集...
近年来,许多自然语言处理任务(NLP)和超出NLP范畴的能力得到了令人瞩目的表现。这些能力主要归因于学习涵盖了通用世界知识的广泛语料库。这些语料库是人类社会创造...
大型语言模型(LLMs)是目前大多数自然语言处理(NLP)任务的最新技术。尽管取得了成功,但预训练的LLM有时难以准确理解不同用户指令,可能生成与人类预期不符的...
大型语言模型(LLMs)是人类达到智能水平的重要一步。这些模型能够在几乎所有人类可以完成任何文本任务上达到合理的分数。
最近的研究揭示了在LLM(大规模语言模型)中逐步出现类人的认知偏差。认知偏差代表在信息处理和决策过程中存在的系统错误[10],这为LLM基础应用带来了不可预见的...
视觉语言模型(VLMs)是 [3] 类基础模型,在大量多样化的任务和数据集 上进行了训练,表现出解决各种开放词汇任务的能力,例如图像描述生成 [18, 39],...
大型语言模型(LLMs)在人工智能的各个领域中广泛应用。然而,从头开始训练它们需要巨大的计算资源,使它们的参数变得至关重要。
计算机视觉的快速进步使得能够精确理解并解释视觉数据的强大模型得到发展。其中,CLIP(对比语言图像预训练)[38] 脱颖而出,作为一种依赖图像与文本之间大规模对...
将研究领域进行分类有许多益处,其中包括将科学家聚集到一个有凝聚力的感兴趣领域进行进步。虽然通常会对科学领域进行一些广泛的描述,但学科的性质是动态和多维的,并且会...
近年来,在语音自我监督学习(SSL)技术领域取得了巨大的进步,受到学术和产业界的广泛关注。通过从大量的未标注语音数据中挖掘信息,语音 SSL 可以为下游语音任务...
随着大规模语言模型(MLLM)的快速发展,它们在各种领域展现出优越甚至超人的性能。然而,这种进步伴随着这些模型消耗资源的显著增加。因此,研究社区开始更加关注开发...
暂未填写公司和职称
暂未填写个人简介
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市