Estadística - Aprendizaje automático

Este documento propone un método para convertir ICL en pesos de modelo para mejorar el rendimiento.

Un estudio sobre las capacidades de aprendizaje de los modelos de lenguaje grandes en tareas de aritmética modular.

Una mirada a los métodos para estimar los efectos del tratamiento usando datos del mundo real.

Aprende cómo los co-conjuntos mejoran la eficiencia en el análisis de regresión múltiple.

Examinando métodos para una distribución justa de artículos perecederos en entornos con recursos limitados.

GENTLE avanza en el aprendizaje automático al aprender de manera efectiva distribuciones condicionales a partir de datos limitados.

Este artículo explora soluciones para el sobre suavizado en redes neuronales gráficas, centrándose en GCNs.

Este método mejora la eficiencia de la comunicación en el aprendizaje federado mientras preserva la privacidad de los datos.

Explora cómo el tamaño del lote afecta el entrenamiento de modelos de aprendizaje automático.

Este trabajo presenta métodos para identificar y estimar efectos causales en modelos complejos.

Un nuevo método mejora el muestreo multimodal en el aprendizaje automático.

Un método para mejorar el análisis de estudios con información faltante.

Un nuevo método mejora la generación de imágenes usando conjuntos de datos limitados de manera efectiva.

RPO mejora la velocidad y seguridad en la toma de decisiones en el aprendizaje por refuerzo a través del aprendizaje reflexivo.

Nuevos métodos mejoran la detección de simetrías complejas en los datos para tener mejores modelos de aprendizaje automático.

Explorando métodos para mejorar la toma de decisiones usando los datos que ya tenemos.

Descubre cómo los pesos de cola pesada mejoran la adaptabilidad y el rendimiento de las redes neuronales profundas.

Explorando nuevos métodos para mejorar la estimación de incertidumbre en redes neuronales bayesianas.

Un nuevo método para mejorar el muestreo en aprendizaje automático con mayor privacidad.

Un nuevo método mejora la precisión de los intervalos de predicción para una toma de decisiones confiable.

Aprende cómo el pesaje de importancia mejora el rendimiento del modelo en medio de cambios en los covariables.

Explora las ventajas y aplicaciones de la Adaptación de Bajo Rango en modelos de IA.

Este estudio explora cómo los transformadores aprenden de procesos de Markov a través de la inicialización y el flujo de gradientes.

Descubre métodos eficientes para identificar las mejores opciones en situaciones de toma de decisiones.

Este artículo habla sobre estructuras en grafos y presenta la centralidad relativa para un mejor análisis.

Aprende cómo la reducción de dimensionalidad ayuda a los científicos a analizar datos biológicos.

Los modelos de difusión enmascarada muestran potencial en la generación de texto e imágenes.

Presentamos un nuevo método para redes neuronales bayesianas que mejora el modelado de la incertidumbre.

Este método mejora la selección de datos en la optimización bayesiana, aumentando la eficiencia y los resultados.

Un nuevo enfoque mejora la precisión de las evaluaciones de modelos de lenguaje.

Este artículo explora la sobreparametrización y su impacto en la eficiencia del entrenamiento de modelos.

Este estudio evalúa técnicas de análisis de supervivencia utilizando conjuntos de datos simples con datos faltantes.

Este documento explora maneras de evaluar mejor la calibración del modelo y la precisión predictiva.

Descubre cómo los subespacios aleatorios mejoran la generalización de modelos en el aprendizaje automático.

Este estudio examina la inferencia variacional utilizando mezclas gaussianas de varianza fija.

Este artículo explora los desafíos de lograr equidad en el aprendizaje automático entre diferentes grupos demográficos.

Presentando un modelo que combina transformaciones basadas en árboles para generar resultados efectivos.

Presentando nuevos solucionadores para un transporte óptimo eficiente en el aprendizaje automático.

Examinando cómo el entrenamiento influye en el rendimiento del modelo en situaciones adversas.

Un enfoque novedoso para la agrupación usando modelos de bloques estocásticos de múltiples vistas.