David Saulpic

Optimizar la selección de datos puede aumentar mucho la eficiencia y el rendimiento del entrenamiento en machine learning.

Examinando métodos de muestreo para mejorar la eficiencia y precisión del clustering.

Mezclando métodos de clustering tradicionales con protecciones de privacidad usando privacidad diferencial.

Este documento discute la mejora de soluciones de clustering dinámico en medio de datos que cambian constantemente.

Un nuevo algoritmo mejora la velocidad de agrupamiento mientras asegura una representación precisa de los datos.