Ashok Cutkosky

Présentation d'une méthode flexible pour les taux d'apprentissage qui améliore les performances du modèle sans calendriers prédéfinis.

Une nouvelle approche améliore l'optimisation des fonctions de perte complexes dans les réseaux de neurones.

De nouveaux algorithmes améliorent la régression linéaire en ligne pour les environnements dynamiques.

Un nouvel algorithme atteint un faible regret dans des environnements d'apprentissage dynamiques sans connaissances préalables.

Examiner les hypothèses dans les méthodes d'optimisation en deep learning et leurs implications dans le monde réel.

Découvre comment l'optimisation sans emploi du temps transforme l'efficacité de l'apprentissage automatique.