Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Language Development01:22

Language Development

969
Children master language quickly and with relative ease, supported by both biological predisposition and reinforcement. B. F. Skinner (1957) proposed that language is learned through reinforcement, while Noam Chomsky (1965) argued that language acquisition mechanisms are biologically determined.
The critical period for language acquisition suggests that the ability to acquire language is at its peak early in life. As people age, this proficiency decreases. Language development begins very...
969
Improving Translational Accuracy02:07

Improving Translational Accuracy

15.2K
Base complementarity between the three base pairs of mRNA codon and the tRNA anticodon is not a failsafe mechanism. Inaccuracies can range from a single mismatch to no correct base pairing at all. The free energy difference between the correct and nearly correct base pairs can be as small as 3 kcal/ mol. With complementarity being the only proofreading step, the estimated error frequency would be one wrong amino acid in every 100 amino acids incorporated. However, error frequencies observed in...
15.2K
Improving Translational Accuracy02:07

Improving Translational Accuracy

3.7K
3.7K
Associative Learning01:27

Associative Learning

1.5K
Associative learning is a fundamental concept in behavioral psychology, wherein a connection is established between two stimuli or events, leading to a learned response. This process is critical in understanding how behaviors are acquired and modified. Conditioning, the mechanism through which associations are formed, can be divided into two main types: classical conditioning and operant conditioning, each elucidating different aspects of associative learning.
Classical conditioning, also known...
1.5K
Observational Learning01:12

Observational Learning

1.0K
Albert Bandura's observational learning, also known as imitation or modeling, occurs when a person observes and imitates another's behavior. It is a quicker process than operant conditioning. A well-known example is the Bobo doll study, where children who saw an adult acting aggressively towards the doll were more likely to act aggressively when left alone, compared to those who observed a nonaggressive adult. Many psychologists view observational learning as a form of latent learning...
1.0K
Cognitive Learning01:21

Cognitive Learning

1.4K
Cognitive learning is based on purposive behavior, incidental learning, and insight learning.
E. C. Tolman's theory of purposive behavior emphasizes that much behavior is goal-directed. He argued that to understand behavior, we must look at the entire sequence of actions leading to a goal. For instance, high school students study hard, not just due to past reinforcement but also to achieve the goal of getting into a good college.
Tolman introduced the idea that behavior is influenced by...
1.4K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

The dual role of the microbiome in sepsis: A complex interplay between pathogenicity and protection.

Physics of life reviews·2026
Same author

Decoupled Graph Attention Modeling and Anomaly Traceability Method for Multisystem Coupling in SLM Equipment.

Sensors (Basel, Switzerland)·2026
Same author

Liquid biopsy-based genomic risk score to predict neurologic death in non-small cell lung cancer patients.

Journal of neuro-oncology·2026
Same author

Multi-target positioning and motion tracking enabled by a compound meta-eye system.

Microsystems & nanoengineering·2026
Same author

Engineered piezoelectric dressings advance cutaneous wound healing.

Bioactive materials·2026
Same author

Identification of susceptibility modules and genes through WGCNA and ceRNA network analysis in neuropathic pain-induced anxiodepression.

Translational psychiatry·2026

Video Experimental Relacionado

Updated: Feb 19, 2026

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

1.2K

AsynDBT: ajuste distribuido asíncrono de nivel dual para un aprendizaje en contexto eficiente con modelos de lenguaje

Hui Ma1, Shaoyu Dou2, Ya Liu3

  • 1Xinjiang Key Laboratory of Intelligent Computing and Smart Applications, School of Software, Xinjiang University, Urumqi, 830091, China.

Scientific reports
|February 17, 2026
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio presenta AsynDBT, un algoritmo de aprendizaje federado asíncrono para modelos de lenguaje grandes (LLM). Optimiza las muestras de aprendizaje en contexto y las indicaciones, mejorando el rendimiento y protegiendo la privacidad de los datos en entornos heterogéneos.

Palabras clave:
optimización de nivel dualaprendizaje federadoaprendizaje en contextomodelos de lenguaje grandes

Más Videos Relacionados

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

1.6K

Videos de Experimentos Relacionados

Last Updated: Feb 19, 2026

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

1.2K
Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

1.6K

Área de la Ciencia:

  • Inteligencia Artificial
  • Aprendizaje Automático
  • Procesamiento del Lenguaje Natural

Sus antecedentes:

  • Los modelos de lenguaje grandes (LLM) basados en la nube requieren una costosa sintonización de indicaciones debido a la agnostia de parámetros y gradientes.
  • El aprendizaje en contexto (ICL) adapta los LLM sin actualizaciones de parámetros, pero está limitado por datos sensibles y difíciles de compartir.
  • El aprendizaje federado (FL) permite el entrenamiento colaborativo que preserva la privacidad, pero enfrenta desafíos con los rezagados y los datos heterogéneos en ICL.

Objetivo del estudio:

  • Desarrollar un nuevo algoritmo que aborde las limitaciones de los enfoques de aprendizaje federado existentes para el aprendizaje en contexto en modelos de lenguaje grandes.
  • Mejorar el rendimiento de las tareas posteriores optimizando tanto las muestras de aprendizaje en contexto como los fragmentos de indicaciones.
  • Proporcionar una solución adaptable y que preserve la privacidad para el entrenamiento distribuido de LLM en entornos heterogéneos.

Principales métodos:

  • Se propuso un algoritmo de ajuste de nivel dual distribuido asíncrono (AsynDBT).
  • Se optimizaron las muestras de aprendizaje en contexto y los fragmentos de indicaciones basándose en la retroalimentación del LLM.
  • Se implementó una arquitectura distribuida para la privacidad y la adaptabilidad.
  • Se proporcionaron garantías teóricas de convergencia para el algoritmo.

Principales resultados:

  • AsynDBT mejora el rendimiento de las tareas posteriores al optimizar las muestras y las indicaciones de ICL.
  • La arquitectura distribuida garantiza la protección de la privacidad y la adaptabilidad a entornos de computación heterogéneos.
  • Experimentos exhaustivos en conjuntos de datos de referencia validan la eficacia y eficiencia de AsynDBT.

Conclusiones:

  • AsynDBT ofrece una solución eficaz y eficiente para el aprendizaje federado que preserva la privacidad con aprendizaje en contexto en modelos de lenguaje grandes.
  • El algoritmo aborda con éxito los problemas de rezagados y heterogeneidad de datos en el aprendizaje federado en contexto.
  • AsynDBT demuestra un rendimiento sólido y adaptabilidad en diversos conjuntos de datos.