Estadística - Aprendizaje automático

Nuevos límites para las GNNs mejoran el rendimiento contra ataques adversarios.

Nuevos métodos mejoran la velocidad y eficiencia en procesos gaussianos para la predicción de datos.

Nuevos métodos para proteger datos sensibles contra accesos no autorizados en el aprendizaje automático.

Explora cómo los conjuntos de datos sintéticos mejoran el rendimiento del aprendizaje automático y la selección de modelos.

Abordar el desafío de la privacidad en la toma de decisiones basada en datos para la salud.

Un nuevo algoritmo mejora la eficiencia del RL offline con estructuras MDP de bajo rango.

Explorando cómo los tamaños de lote más grandes mejoran la privacidad diferencial en el aprendizaje automático.

Un enfoque nuevo para las métricas mejora la eficiencia de las pruebas A/B y la toma de decisiones.

Los algoritmos mejoran las estrategias de los jugadores en entornos de juego inciertos.

Este estudio investiga funciones de activación adaptativas para mejorar el rendimiento del modelo en situaciones con pocos datos.

Un enfoque novedoso mejora la precisión de las predicciones al abordar parámetros molestos.

Investigación sobre cómo el sesgo inductivo afecta el rendimiento del modelo Transformer.

Este artículo explora cómo los algoritmos de aprendizaje automático aprenden y aplican conocimientos a nuevos datos.

Explorando nuevos métodos para mejorar los modelos de difusión en la generación de muestras de distribuciones complejas.

Un nuevo algoritmo mejora el aprendizaje de relaciones complejas entre variables usando MAGs.

Examinando cómo los procesos de Hawkes marcados iluminan las interacciones de eventos a lo largo del tiempo.

Explorando la conexión entre las matrices de peso y el aprendizaje de características en redes neuronales.

Un nuevo enfoque para estimar los efectos del tratamiento teniendo en cuenta la incertidumbre individual.

Aprende cómo los modelos generativos basados en puntajes crean nuevos datos a partir de ruido.

Este estudio mejora la toma de decisiones en situaciones de exploración limitada usando información previa.

Métodos para predecir datos no vistos basados en muestras observadas.

Examinando la auto-atención y el descenso por gradiente en modelos de transformadores.

Un resumen de la capacidad de memoria en máquinas de comité con forma de árbol y sus implicaciones.

Este artículo explora cómo las máquinas de comité en forma de árbol gestionan la capacidad de memoria con diferentes activaciones.

SAGD-IV ofrece un enfoque flexible para analizar relaciones causales en conjuntos de datos complejos.

Explorando métodos de privacidad diferencial en el aprendizaje por refuerzo para proteger datos sensibles.

Un nuevo marco para analizar datos longitudinales con valores faltantes en varios campos.

Nuevos métodos mejoran la confiabilidad de las predicciones de IA, especialmente en campos críticos.

Un nuevo método mejora la eficiencia de muestreo para distribuciones de probabilidad complejas.

Estrategias para aprender de manera efectiva de datos que dependen de observaciones anteriores.

Un análisis de Transformers y sus métodos de aprendizaje autorregresivo en contexto.

Examinando el entrenamiento adversarial para hacer modelos de aprendizaje automático más fuertes contra ataques.

Una mirada al papel de la Regresión Logística Kernel en la predicción de elecciones humanas.

Una mirada a los desafíos de hacer predicciones en sistemas dinámicos complejos.

Un nuevo estudio examina el papel del aprendizaje de representaciones en tareas de grafos.

Un nuevo método mejora la velocidad y calidad de los modelos de imágenes generativas.

Nuevas técnicas mejoran la eficiencia de la comunicación en el entrenamiento de modelos distribuidos.

Una visión general de métodos para aprender estructuras de árbol gaussiano y poliarbores.

El modelo ProFITi predice resultados de series temporales muestreadas de manera irregular.

Una mirada más profunda a cómo los flujos basados en acoplamiento modelan distribuciones de datos complejas.