Estadística - Aprendizaje automático

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.

Un modelo híbrido mejora las predicciones de las tendencias de COVID-19 y las intervenciones.

Aprende cómo un nuevo modelo aborda la deserción de clientes y mejora las estrategias de retención.

Nuevos métodos mejoran el análisis de fNIRS usando datos sintéticos y aprendizaje automático.

Este documento habla sobre cómo mejorar el aprendizaje a partir de retroalimentación humana defectuosa en sistemas de recomendación.

Un nuevo método MCMC mejora la eficiencia en el análisis de datos complejos.

Aprende cómo los Árboles Colaborativos pueden aclarar las interacciones entre variables en el análisis de datos.

Un estudio que revela los factores que influyen en el aprendizaje en contexto en Transformers.

Explorando las fortalezas y debilidades de SGD local en diferentes entornos de datos.

Un nuevo método mejora las estimaciones del efecto del tratamiento en conjuntos de datos complejos.

Este estudio investiga los límites de precisión y robustez en modelos de aprendizaje automático.

Este artículo presenta un marco para analizar conjuntos de datos diversos de manera efectiva.

Una mirada a la Optimización por Enjambre de Partículas y sus aplicaciones en varios campos.

Descubre cómo las computadoras de reservorio estocásticas están cambiando el panorama del aprendizaje automático.

Este estudio presenta un método para analizar conjuntos de datos biológicos complejos de manera efectiva.

Presentamos Rutas de Difusión para una detección OOD eficiente usando un solo modelo.