Toutes les news taguées avec ce sujet.
FBCC propose une nouvelle approche pour apprendre des clusters séquentiels sans données passées ni étiquettes, limitant l'oubli catastrophique.
Un framework de méta-apprentissage continu pour personnaliser des simulations d'électrophysiologie cardiaque sans réentraînement complet, tout en évitant l'oubli catastrophique.
Un nouveau framework MoE décompose les paramètres des LLM en experts spécifiques et partagés pour résoudre l'oubli catastrophique en apprentissage continu.
TailLoR exploite la décomposition spectrale des poids pré-entraînés pour réduire les interférences entre tâches en apprentissage continu.
BabyCL, un framework multimodal continu, apprend des associations mots-référents en une seule passe chronologique sur des vidéos égocentrées d'enfants.
Un paradigme « Sleep » inspiré du cerveau humain pour permettre aux LLMs d'apprendre en continu et de consolider leurs connaissances à long terme.
Un framework d'apprentissage continu multimodal qui corrige l'assignation aveugle aux experts LoRA en intégrant la structure de sortie des tâches.
Un framework « fast-slow » combine mise à jour des paramètres et optimisation du contexte pour rendre les LLM jusqu'à 3× plus efficaces en apprentissage.