Estadística - Aprendizaje automático

Este enfoque simplifica y mejora la reconstrucción de redes en varios campos.

Una mirada a la inferencia basada en simulación y sus aplicaciones en la investigación.

Nuevos métodos mejoran la calidad y la diversidad en la recolección de datos científicos.

Dos enfoques nuevos mejoran la confiabilidad al evaluar las explicaciones de modelos de IA.

Este artículo examina los desafíos en la investigación de ML y sugiere mejoras para la confiabilidad.

Este documento habla sobre cómo priorizar tratamientos dentro de limitaciones de presupuesto para obtener mejores resultados.

LFIS ofrece un método sistemático para muestrear de distribuciones complejas.

Una guía sobre la predicción conforme y su papel en la estimación de la incertidumbre.

Los investigadores mejoran los procesos de biomanufactura usando inferencia bayesiana y técnicas de muestreo eficientes.

Un nuevo modelo para tomar mejores decisiones usando datos históricos.

Este estudio investiga cómo se pueden aprender preferencias a partir de comparaciones simples.

Un método para mejorar la optimización en espacios curvos con cálculos inexactos.

Analizando las respuestas individuales a los tratamientos usando Causal K-Means Clustering.

Una visión general de las técnicas de modelado generativo y sus aplicaciones en IA.

Este estudio desarrolla algoritmos para mejorar la resistencia de los sistemas distribuidos a dispositivos defectuosos.

Un nuevo método combina aprendizaje profundo y algoritmos genéticos para hacer inferencia bayesiana más rápido.

Presentamos la distancia Robust Partial Wasserstein para una mejor comparación de datos.

Nuevo método mejora la fiabilidad de las predicciones al abordar la incertidumbre en el aprendizaje automático.

Nuevos métodos para la colaboración que respeta la privacidad en el aprendizaje federado vertical.

Explorando el control federado en el aprendizaje por refuerzo para que los agentes trabajen juntos de manera segura.

Aprovechando datos externos para mejorar la selección de características en estudios genómicos.

Presentando un marco para cuantificar la incertidumbre en modelos predictivos, especialmente en espacios de datos complejos.

El aprendizaje por refuerzo robusto adapta estrategias para obtener resultados confiables a pesar de los desafíos del mundo real.

Un nuevo método mejora la calidad de las soluciones en desafíos de imagen médica.

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.