Passer au contenu principal

Recherche

Afficher tous les résultats pour

Accueil

Personne

Zeming Chen

À propos
Confidentialité
Mentions légales

Copyright © 2025 EPFL, tous droits réservés

Graph Chatbot

Source officielle

https://people.epfl.ch/zeming.chen?lang=fr

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Unités associées (1)

Laboratoire de traitement du langage naturel

EPFL
IC
IINFCOM
NLP

Publications associées (5)

Veuillez noter qu'il ne s'agit pas d'une liste complète des publications de cette personne. Elle inclut uniquement les travaux sémantiquement pertinents. Pour une liste complète, veuillez consulter Infoscience.

Search for high-mass exclusive diphoton production with tagged protons in proton-proton collisions at √s=13 TeV

Matthias Finger, Qian Wang, Varun Sharma, Konstantin Androsov, Jan Steggemann, Ian Smith, Xin Chen, Rakesh Chawla, Michele De Palma, Matteo Galli

A search is presented for high-mass exclusive diphoton production via photon-photon fusion in proton-proton collisions at root s = 13 TeV in events where both protons survive the interaction. The analysis utilizes data corresponding to an integrated lumino ...

AMER PHYSICAL SOC2024

Discovering Knowledge-Critical Subnetworks in Pretrained Language Models

Antoine Bosselut, Zeming Chen, Negar Foroutan Eghlidi, Deniz Bayazit

Pretrained language models (LMs) encode implicit representations of knowledge in their parameters. However, localizing these representations and disentangling them from each other remains an open problem. In this work, we investigate whether pretrained lan ...

Association for Computational Linguistics2024

Monotonicity Reasoning in the Age of Neural Foundation Models

Zeming Chen, Qiyue Gao

The recent advance of large language models (LLMs) demonstrates that these large-scale foundation models achieve remarkable capabilities across a wide range of language tasks and domains. The success of the statistical learning approach challenges our unde ...

Springer2023