Статистические данные > Машинное обучение [представлено 12 апреля 2024 года (v1), последнее пересмотренное 25 октября 2026 года (эта версия, v3)] Название: " Бюллетень быстрого расширения и уточнения языковых моделей с помощью имитации оптимизации просмотра PDF HTML (экспериментальное) резюме: При изменении этих требований, возможно, потребуется адаптировать и усовершенствовать существующие процедуры. Для оценки требований к кандидатам требуется время и вычислительные ресурсы. Поэтому мы изучаем вопрос о том, как расширить и усовершенствовать первоначальный набор показателей в рамках ограниченного бюджета для оценки путем имитационной оптимизации с целью максимального увеличения заранее определенного целевого показателя по фиксированной языковой модели. В частности, мы предлагаем двухэтапную рамочную программу. На первом этапе мы расширяем первоначальный набор быков до конечного набора кандидатов, где каждый из них представлен вектором средней величины. На последующем этапе оценки и отбора мы создаем суррогатную модель балла для среднемерных векторов, представляющих собой импульсы. Мы предлагаем последовательное выбор процедур оценки с использованием построенной модели замены. Мы доказываем последовательность процедуры последовательной оценки в наших рамках. Далее мы введем процедуру уточнения, которая использует собранные баллы для поиска сверх первоначального набора кандидатов. Мы также проводим количественные эксперименты, чтобы продемонстрировать преимущества нашего…
Бюджетное оперативное расширение и уточнение языковых моделей посредством оптимизации моделирования
arXiv:2404.08164v3 Вид уведомления: заменить резюме: Быстрое - это инструкция или описание, предоставленное пользователем для ориентации модели регенеративного языка на результаты, отвечающие требованиям приложения. При изменении этих требований, возможно, потребуется адаптировать и усовершенствовать существующие процедуры. Для оценки требований к кандидатам требуется время и вычислительные ресурсы. Поэтому мы изучаем вопрос о том, как расширить и усовершенствовать первоначальный набор показателей в рамках ограниченного бюджета для оценки путем имитационной оптимизации с целью максимального увеличения заранее определенного целевого показателя по фиксированной языковой модели. В частности, мы предлагаем двухэтапную рамочную программу. На первом этапе мы расширяем первоначальный набор быков до конечного набора кандидатов, где каждый из них представлен вектором средней величины. На последующем этапе оценки и отбора мы создаем суррогатную модель балла для среднемерных векторов, представляющих собой импульсы. Мы предлагаем последовательное выбор процедур оценки с использованием конструирования
