Estadística - Aprendizaje automático

Entender cómo toma decisiones la IA es clave para confiar en ella y usarla éticamente.

Los contrafactuales revelan información pero plantean riesgos de privacidad en el aprendizaje automático.

Presentamos un nuevo enfoque para muestreo eficiente de distribuciones complejas.

Examinando el papel del aprendizaje profundo en la mejora de modelos causales.

Explorando el papel de los algoritmos aleatorios en la simplificación de datos complejos.

Explorando cómo los GMFGs modelan interacciones diversas entre agentes en sistemas complejos.

Nuevos modelos mejoran las predicciones sobre la vida útil de las máquinas usando deep learning.

Nuevos métodos mejoran el rendimiento en la tarea principal usando datos auxiliares sin costos adicionales de computación.

Un nuevo método de filtrado se encarga de los valores atípicos para mejorar la precisión de los datos.

Este artículo examina cómo las redes ReLU aproximan funciones de baja regularidad.

Un nuevo método para analizar datos categóricos mientras se garantiza la privacidad.

Un nuevo método para estimar los efectos del tratamiento usando ensayos controlados y datos del mundo real.

Aprende cómo CME y la compresión mejoran las predicciones a partir de datos complejos.

Este trabajo revela cómo varios factores se influyen entre sí en sistemas complejos.

Un método para construir regiones de confianza en ecuaciones estadísticas para efectos de tratamiento.

Mejorando el rendimiento de DNN a través de métodos de muestreo de datos eficientes.

Una mirada a cómo el muestreo de Thompson ayuda en la toma de decisiones bajo incertidumbre.

Presentando un nuevo método para evaluar la calidad de los datos en el aprendizaje automático.

Este estudio presenta nuevos algoritmos para aprender redes bayesianas usando técnicas de aprendizaje en línea.

Este estudio examina cómo la curiosidad afecta la eficiencia en la exploración de agentes artificiales.

Un método para mejorar el análisis de datos distribuidos y de alta dimensión en varios campos.

Presentamos SGBD: una técnica para mejorar la eficiencia del muestreo bayesiano.

Este artículo presenta métodos para optimizar evaluaciones considerando los costos de cambio en la Optimización Bayesiana.

Nuevos métodos mejoran la eficiencia del filtrado de Kalman y las estimaciones de incertidumbre en entornos de alta dimensión.

Nuevo método mejora la cuantificación de la incertidumbre en modelos entrenados de manera adversaria.

Un nuevo método crea intervalos de predicción confiables usando datos diversos y asegurando la privacidad.

Las técnicas de aprendizaje automático avanzan el estudio de 3-variedades complejas y sus triangulaciones.

WGBoost ofrece predicciones probabilísticas avanzadas y un mejor manejo de la incertidumbre en varios campos.

Este documento habla sobre nuevas ideas en regresión causal para tomar mejores decisiones.

Examinando el efecto de saturación en la Regresión de Cresta Kernel y sus implicaciones para las predicciones.

Un nuevo enfoque para medir la equidad en las admisiones universitarias y las evaluaciones de crédito.

Entendiendo las complejidades de evaluar los efectos de un solo tratamiento en diseños factoriales.

Este artículo habla sobre métodos para crear intervalos de predicción estrechos en condiciones de datos cambiantes.

Un método para evaluar la fiabilidad de los resultados de la IA en la salud y más allá.

Nuevas técnicas mejoran el mapeo de estados en mecánica cuántica y aprendizaje automático.

LaT-PFN mejora las predicciones usando contexto y datos sintéticos.

Explorando retroalimentación limitada en tareas de clasificación de aprendizaje automático.

Un método que aborda errores de datos en análisis de alta dimensión.

Analizar los modelos existentes revela información sobre las tendencias de rendimiento de los modelos de lenguaje a medida que aumenta su tamaño.

Un nuevo marco para elegir fuentes de información mientras se minimizan los errores de clasificación y costos.