ترجمه فارسی مقاله چت کردن پیوست: استفاده از LLM برای پیش بینی اوراق قرضه بزرگسالان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Chatting Up Attachment: Using LLMs to Predict Adult Bonds
عنوان مقاله به فارسی چت کردن پیوست: استفاده از LLM برای پیش بینی اوراق قرضه بزرگسالان
نویسندگان Paulo Soares, Sean McCurdy, Andrew J. Gerber, Peter Fonagy
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Computation and Language,یادگیری ماشین , محاسبه و زبان ,
توضیحات Submitted 31 August, 2024; originally announced September 2024.
توضیحات به فارسی ارسال 31 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Obtaining data in the medical field is challenging, making the adoption of AI technology within the space slow and high-risk. We evaluate whether we can overcome this obstacle with synthetic data generated by large language models (LLMs). In particular, we use GPT-4 and Claude 3 Opus to create agents that simulate adults with varying profiles, childhood memories, and attachment styles. These agents participate in simulated Adult Attachment Interviews (AAI), and we use their responses to train models for predicting their underlying attachment styles. We evaluate our models using a transcript dataset from 9 humans who underwent the same interview protocol, analyzed and labeled by mental health professionals. Our findings indicate that training the models using only synthetic data achieves performance comparable to training the models on human data. Additionally, while the raw embeddings from synthetic answers occupy a distinct space compared to those from real human responses, the introduction of unlabeled human data and a simple standardization allows for a closer alignment of these representations. This adjustment is supported by qualitative analyses and is reflected in the enhanced predictive accuracy of the standardized embeddings.

چکیده به فارسی (ترجمه ماشینی)

به دست آوردن داده ها در حوزه پزشکی چالش برانگیز است و باعث می شود فناوری هوش مصنوعی در فضا آهسته و پرخطر باشد.ما ارزیابی می کنیم که آیا می توانیم با داده های مصنوعی تولید شده توسط مدلهای بزرگ زبان (LLM) بر این مانع غلبه کنیم.به طور خاص ، ما از GPT-4 و Claude 3 Opus برای ایجاد عوامل استفاده می کنیم که بزرگسالان را با پروفایل های مختلف ، خاطرات کودکی و سبک های دلبستگی شبیه سازی می کنند.این نمایندگان در مصاحبه های دلبستگی بزرگسالان (AAI) شرکت می کنند ، و ما از پاسخ های آنها برای آموزش مدل ها برای پیش بینی سبک های دلبستگی آنها استفاده می کنیم.ما مدلهای خود را با استفاده از یک مجموعه داده متن از 9 انسان که تحت همان پروتکل مصاحبه قرار گرفته اند ، مورد تجزیه و تحلیل و برچسب زدن توسط متخصصان بهداشت روان قرار می دهیم.یافته های ما نشان می دهد که آموزش مدل ها فقط با استفاده از داده های مصنوعی به عملکرد قابل مقایسه با آموزش مدل ها بر روی داده های انسانی دست می یابد.علاوه بر این ، در حالی که تعبیه های خام از پاسخ های مصنوعی فضای مشخصی را در مقایسه با پاسخ های واقعی انسان اشغال می کند ، معرفی داده های انسانی بدون برچسب و یک استاندارد سازی ساده امکان تراز نزدیکتر از این بازنمایی ها را فراهم می کند.این تنظیم با تجزیه و تحلیل های کیفی پشتیبانی می شود و در دقت پیش بینی پیشرفته تعبیه های استاندارد منعکس می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.