Informática - Aprendizaje automático

Un nuevo método mejora la precisión y la velocidad al estimar constantes de Lipschitz para redes profundas.

Examinando el impacto de los ataques en la eficiencia del aprendizaje automático y proponiendo nuevas estrategias.

Este estudio identifica hiperparámetros vitales para entrenar redes neuronales cuánticas de manera efectiva.

Aprovechando nuevas técnicas para una gestión eficiente del agua urbana.

Una mirada a cómo aprenden las redes neuronales y el papel de la física en el entrenamiento.

Un nuevo enfoque para sintetizar voces con una mejor precisión rítmica.

Un enfoque multilingüe para entender las experiencias de los pacientes con efectos adversos a medicamentos.

Explorando el papel de los algoritmos cuánticos en la detección de crímenes financieros.

Las soluciones automatizadas para identificar tumores cerebrales muestran potencial para mejorar la atención al paciente.

Un nuevo método mejora los puntajes de confianza para los modelos de lenguaje en temas específicos.

Este estudio explora cómo usar el análisis de comportamiento con aprendizaje automático para mejorar los resultados del aprendizaje en línea.

SEMA ofrece un enfoque flexible para el aprendizaje continuo, adaptando modelos a nuevos datos de manera efectiva.

Un modelo predice la vulnerabilidad a ataques cibernéticos basándose en factores sociales y económicos.

Un nuevo enfoque para hacer que los datos de alta dimensión sean más fáciles de manejar.

Las pruebas de referencia de MANGO evalúan modelos de lenguaje para navegación y mapeo en contextos de laberinto.

Un nuevo método utiliza el aprendizaje profundo para abordar las ecuaciones diferenciales estocásticas de manera efectiva.

Aprende cómo los árboles de decisión ayudan en decisiones y predicciones basadas en datos.

Presentamos DeNetDM, una técnica para reducir sesgos en redes neuronales sin hacer ajustes complicados.

Este estudio destaca la importancia de las variables objetivo en el modelado del comportamiento de vehículos.

Examinando cómo la información influye en la toma de decisiones en situaciones complejas.

Un nuevo método para verificar redes neuronales profundas usando modelos de visión-lenguaje.

Un nuevo método mejora el aprendizaje al tratar con diferentes escalas de datos.

Un estudio sobre la explicabilidad de los modelos de aprendizaje automático para el cuidado del cáncer de páncreas.

Usando datos de SCADA para mejorar predicciones y detectar problemas de rendimiento en turbinas eólicas.

Este método simplifica la mezcla de diferentes modelos LoRA para generar imágenes de alta calidad.

Un nuevo método de entrenamiento mejora la estabilidad y precisión en simulaciones de dinámica molecular.

Una mirada más cercana a los circuitos de características dispersas en los modelos de lenguaje y sus implicaciones.

Un nuevo marco mejora la imagenología médica a través de un mejor monitoreo y análisis.

Un nuevo enfoque mitiga la interferencia de radiofrecuencia para mejorar la recolección de datos de pulsares.

Aprende métodos efectivos para abordar el problema del bandido dormilón en la toma de decisiones.

ILPO-Net ofrece un método sólido para reconocer patrones en 3D, superando los desafíos de rotación.

Un nuevo enfoque de aprendizaje automático mejora la precisión de los modelos climáticos para predecir olas de calor.

Usar redes neuronales ofrece nuevas ideas sobre la dinámica de la fricción y el modelado predictivo.

Este artículo habla sobre métodos para entrenar redes neuronales ReLU de dos capas de manera eficiente.

La exploración es clave para entrenar efectivamente a los agentes en el aprendizaje por refuerzo multitarea.

KAT permite que los robots aprendan tareas rápido con menos ejemplos.

Este artículo habla sobre la importancia de la inicialización de parámetros en las redes neuronales.

Un nuevo método para entender mejor las moléculas complejas usando motivos y gráficos.

Este estudio explora cómo las redes neuronales pueden analizar el comportamiento de los robots en enjambre.

La investigación revela los beneficios de los métodos adaptativos sin raíz cuadrada para entrenar modelos de aprendizaje profundo.