Estadística - Aprendizaje automático

Mamba ofrece una nueva forma de analizar sistemas complejos usando aprendizaje automático.

Un enfoque nuevo para evaluar modelos de ML usando la Teoría de Respuesta al Ítem para obtener mejores insights.

Un enfoque flexible para analizar las relaciones cambiantes en datos de múltiples salidas.

Un enfoque novedoso para entender las relaciones entre variables en entornos cambiantes.

AdEMAMix mejora la eficiencia del entrenamiento al equilibrar gradientes recientes y pasados.

Una mirada a los intervalos de confianza en el aprendizaje de pocos disparos y su impacto en la evaluación del modelo.

Un nuevo enfoque de auto-ensamble mejora la resistencia del modelo a cambios adversariales.

Una mirada más cercana a cómo CRL identifica relaciones causales en los datos.

Examinando las tasas a las que las neuronas del cerebro procesan información.

Una mirada a cómo la predicción conformal mejora la cuantificación de la incertidumbre en biología.

Un nuevo método mejora el análisis de series temporales usando regresión simbólica y técnicas de búsqueda en árboles.

Este artículo explica métodos para estimar efectos causales en redes con variables ocultas.

Este modelo mejora el análisis de datos basados en el tiempo que están desigualmente espaciados en varios campos.

Una mirada a cómo las redes neuronales aprenden y se adaptan con el tiempo.

Un método para mejorar los modelos de aprendizaje automático que manejan datos corruptos.

Una mirada a cómo manejar el inventario cuando la demanda es impredecible.

Estrategias para tomar decisiones más inteligentes en condiciones de incertidumbre.

Mejorando el rendimiento de Q-learning en medio de retroalimentación corrupta en aplicaciones del mundo real.

Una mirada a la toma de decisiones en entornos dinámicos usando estrategias de bandido inquieto.

Este artículo habla sobre cómo combinar métodos mejora la efectividad del aprendizaje de los operadores.

Analizando los efectos del tratamiento de un programa de alfabetización con nuevos métodos y datos.

Un nuevo enfoque mejora la velocidad y eficiencia del entrenamiento de redes neuronales usando nowcasting.

Aprende cómo los datos moldean el rendimiento de los algoritmos mediante ajustes y adaptación en tiempo real.

El aprendizaje automático mejora la producción y precisión de las estadísticas oficiales.

Un nuevo método mejora el aprendizaje al integrar el conocimiento de expertos para hacer estimaciones más precisas.

Combinando aprendizaje profundo con inferencia bayesiana para una estimación posterior eficiente.

Nuevos métodos mejoran la eficiencia en el muestreo de distribuciones log-concavas dentro de poliedros.

Un nuevo método mejora la cuantificación de la incertidumbre para las predicciones de datos de grafos.

Un estudio sobre el uso de métodos de calibración para mejorar la inferencia causal en el aprendizaje automático.

Una mirada a la dimensión efectiva y su impacto en el entrenamiento de modelos.

Este documento habla sobre la equidad al elegir candidatos para instituciones en medio de evaluaciones sesgadas.

Nuevos modelos mejoran la comprensión de las relaciones evolutivas entre las especies.

Esta investigación explora el aprendizaje eficiente de Campos Aleatorios de Markov usando muestras dinámicas.

Las redes neuronales bayesianas mejoran las predicciones al tener en cuenta la incertidumbre y al integrar conocimientos previos.

Este estudio examina cómo rasgos comerciales específicos pronostican los precios de mercado futuros.

Este artículo habla de cómo el muestreo de Thompson con ventana deslizante aborda la toma de decisiones en entornos cambiantes.

Presentando una forma eficiente de estimar la varianza en sistemas en constante cambio.

Este método ayuda a los investigadores a encontrar diseños eficientes en espacios de problemas complejos.

Un nuevo método mejora la estimación de afinidad de tareas para el aprendizaje multitarea.

Este enfoque simplifica la elección de conjuntos de datos de preentrenamiento efectivos para modelos de lenguaje.