Ez a terület gépi tanulást és nyelvi modelleket alkalmaz fehérjeszekvencia-adatokon a poszttranszlációs módosulási (PTM) helyek, például a glutarilációs, malonilációs, metilációs és propionilációs helyek előrejelzésére. A tanult szekvenciareprezentációkat evolúciós és szerkezeti jellemzőkkel ötvözi a predikciós pontosság és az általánosíthatóság javítása érdekében.

Ez a terület olyan keresésalapú és ügynökalapú architektúrákat vizsgál, amelyek az információkeresést, a többlépéses érvelést és a doménadaptációt ötvözik. A cél megbízható, LLM-alapú asszisztensek fejlesztése vállalati és digitális banki alkalmazásokhoz.

Ez a terület a kis nyelvi modelleket (SLM) vizsgálja a nagy modellek hatékony alternatívájaként, beleértve az LLM-ekből SLM-ekbe történő tudásdesztillációt, a kvantálást és az érvelési hibák rendszerszintű elemzését. A cél pontos, erőforrás-hatékony és telepíthető nyelvi modellek létrehozása oktatási, pénzügyi és vállalati alkalmazásokhoz.

Ez a terület a nagy nyelvi modellek automatizált értékelőként való alkalmazását vizsgálja, beleértve a rubrikaalapú pontozást, a páros összehasonlítást, valamint az LLM-bírálók megbízhatóságát, torzításait és az emberi értékeléssel való egyezését. A cél skálázható és megbízható értékelési keretrendszerek fejlesztése generatív rendszerekhez, például kódgenerálás, kérdésmegválaszolás és oktatási értékelés területén.

Ez a terület a nagy nyelvi modellek emberi, kulturális és etikai értékekhez való igazításának módszereit vizsgálja, beleértve az önigazítást és a modellviselkedés benchmarkalapú értékelését. A cél a nyelvi modellek kimeneteinek megbízhatóságának, értelmezhetőségének és biztonságának javítása.