Zobrazeno 1 - 10
of 112
pro vyhledávání: '"Vydiswaran, V. G. Vinod"'
Publikováno v:
Findings of ACL 2023, July 2023, Page 8818-8833, Toronto, Canada
Textual backdoor attack, as a novel attack model, has been shown to be effective in adding a backdoor to the model during training. Defending against such backdoor attacks has become urgent and important. In this paper, we propose AttDef, an efficien
Externí odkaz:
http://arxiv.org/abs/2305.02394
Textual backdoor attacks pose a practical threat to existing systems, as they can compromise the model by inserting imperceptible triggers into inputs and manipulating labels in the training dataset. With cutting-edge generative models such as GPT-4
Externí odkaz:
http://arxiv.org/abs/2304.14475
Autor:
Wu, Zhuofeng, Wang, Sinong, Gu, Jiatao, Hou, Rui, Dong, Yuxiao, Vydiswaran, V. G. Vinod, Ma, Hao
Prompt tuning is a new, efficient NLP transfer learning paradigm that adds a task-specific prompt in each input instance during the model training stage. It freezes the pre-trained language model and only optimizes a few task-specific prompts. In thi
Externí odkaz:
http://arxiv.org/abs/2204.04497
Publikováno v:
Findings of EMNLP (2020) 2785--2796
The language used by physicians and health professionals in prescription directions includes medical jargon and implicit directives and causes much confusion among patients. Human intervention to simplify the language at the pharmacies may introduce
Externí odkaz:
http://arxiv.org/abs/2204.03830
Autor:
Zhao, Xinyan, Vydiswaran, V. G. Vinod
Natural language explanations (NLEs) are a special form of data annotation in which annotators identify rationales (most significant text tokens) when assigning labels to data instances, and write out explanations for the labels in natural language b
Externí odkaz:
http://arxiv.org/abs/2012.09157
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Joo, Hyeon, Burns, Michael, Kalidaikurichi Lakshmanan, Sai Saradha, Hu, Yaokun, Vydiswaran, V G Vinod
Publikováno v:
JMIR Formative Research, Vol 5, Iss 5, p e22461 (2021)
BackgroundAdministrative costs for billing and insurance-related activities in the United States are substantial. One critical cause of the high overhead of administrative costs is medical billing errors. With advanced deep learning techniques, devel
Externí odkaz:
https://doaj.org/article/f5e6aa4dce2e4314a15ea164a6aa5008
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.