Informática - Aprendizaje automático

Un nuevo método mejora tanto la precisión como la robustez en los modelos de aprendizaje profundo.

Explora cómo las GNNs mejoran el mapeo de variables para la comparación y reparación de programas.

Nuevos métodos mejoran la eficiencia de las Redes Neuronales Espinosas gracias a la reducción de disparos.

Una mirada a cómo los métodos de un solo paso y la regularización del crítico mejoran el rendimiento del RL.

Un nuevo método ayuda a las computadoras a relacionar bocetos con imágenes reales de manera efectiva.

Un nuevo método utiliza el aprendizaje automático para identificar perturbaciones desconocidas en redes complejas.

Descubre cómo mejorar la eficiencia en el aprendizaje automático y el procesamiento de datos.

Una mirada a los componentes clave del aprendizaje profundo y sus interacciones.

Una mirada al aprendizaje operativo y al marco HJ-Net para PDEs.

Este estudio se centra en mejorar las GNNs para superar los desafíos de los datos de entrenamiento sesgados.

Este artículo habla sobre decodificadores aditivos para identificar patrones ocultos y generar imágenes.

Un nuevo marco mejora la robustez del Aprendizaje Contrastivo de Grafos frente a ataques estructurales.

Nuevas investigaciones revelan las capacidades de Sumformer para mejorar la eficiencia de los Transformadores.

Este estudio analiza cómo los datos de pre-entrenamiento afectan la robustez del modelo en diversas tareas.

Nuevos métodos mejoran la precisión en la generación de informes médicos usando grafos de conocimiento y entrenamiento inteligente.

Nuevo método mejora ejemplos adversariales contra las vulnerabilidades de los modelos de lenguaje.

Este artículo examina cómo evaluar modelos de IA en el cuidado de la salud considerando la incertidumbre en el diagnóstico.

Investigando la equidad en sistemas de ML considerando múltiples atributos protegidos.

Explorando un enfoque nuevo para la regresión usando computación cuántica.

Un nuevo enfoque para hacer que los sistemas de clasificación sean más justos para todos los grupos.

Una nueva red mejora el reconocimiento de imágenes usando datos etiquetados y no etiquetados.

Nuevos métodos mejoran cómo el aprendizaje automático maneja datos ruidosos.

Un marco unificado que mejora las capacidades de los modelos generativos.

FedDRL mejora el aprendizaje federado al centrarse en la calidad del modelo y la seguridad.

Este estudio compara métodos para manejar variables categóricas de alta cardinalidad en machine learning.

Estos modelos mejoran la participación de los usuarios al centrarse en el contexto de las interacciones.

Investigando las vulnerabilidades de las DNNs frente al ruido adversarial en la reducción de ruido de imágenes.

EdgeConvEns mejora el aprendizaje profundo mientras mantiene los datos privados y seguros.

Un nuevo método mejora el aprendizaje de grafos no supervisado a través de la estimación de entropía y el muestreo de subconjuntos.

Una visión general de los desafíos y estrategias en problemas de bandido multi-brazo.

Nuevos modelos mejoran las predicciones para la progresión de la Degeneración Macular Asociada a la Edad.

Un estudio sobre SCS versus capas convolucionales tradicionales en clasificación de imágenes.

Este estudio analiza cómo la pérdida de paquetes afecta el rendimiento en el Aprendizaje Federado Dividido.

Examinando cómo la IA usa información variada para tomar decisiones.

Descubre cómo el aprendizaje en conjunto mejora la precisión de las predicciones a pesar del ruido.

Una mirada a los sistemas en cascada y estrategias para mejores predicciones.

Reglas claras para autores que envían trabajos a una conferencia.

Un estudio sobre el descenso de gradiente Riemanniano y su aplicación en escenarios complejos de juego.

La selección de características simplifica el análisis de datos al identificar las variables clave.

Un nuevo marco que combina modelos estáticos y dinámicos mejora el análisis de series temporales.