Li Shen

DFedADMM et DFedADMM-SAM améliorent l'entraînement des modèles tout en garantissant la confidentialité des données.

Combiner des modèles pour améliorer la précision et l'efficacité dans l'apprentissage profond.

De nouvelles méthodes améliorent la traduction automatique pour les langues à faible ressources.

Une nouvelle méthode d'IA améliore l'analyse des mammographies sans avoir besoin de beaucoup de données étiquetées.

Ce papier parle des méthodes pour réduire le biais dans l'analyse de données.

Une nouvelle approche vise à classifier la maladie d'Alzheimer en utilisant plusieurs types de données.

Un nouveau cadre améliore l'apprentissage à partir de modèles pré-entraînés sans les données originales.

Explorer la régularisation de regroupements de tâches pour gérer l'hétérogénéité du modèle.

La recherche propose un cadre pour mieux comprendre les réseaux cérébraux et leur connectivité.

Un nouveau cadre améliore les performances des modèles avec peu de données.

Une nouvelle méthode pour améliorer les modèles pré-entraînés en utilisant un réglage fin sélectif.

Des chercheurs mélangent l'IRMf et la MEG pour étudier l'activité cérébrale pendant des tâches cognitives.

Cet article explore le comportement et le transport des tensioactifs en utilisant des simulations informatiques.

Explore l'approche de l'apprentissage fédéré pour la vie privée dans l'apprentissage automatique.

Un nouveau modèle améliore la capacité de l'IA à apprendre sans oublier.

Une nouvelle méthode améliore la qualité de sortie du code des modèles linguistiques.

Cet article parle des biais dans les modèles graphiques et propose une méthode pour une analyse équitable.

A-FedPD ajuste les mises à jour des modèles pour réduire l'instabilité de l'entraînement dans l'apprentissage fédéré.

Une nouvelle méthode améliore la segmentation d'images médicales en utilisant moins d'échantillons étiquetés.

Un aperçu de comment l'apprentissage par graphe améliore l'adaptation de domaine semi-supervisée.

FWA améliore la vitesse et la généralisation de l'apprentissage automatique grâce à un bon moyennage des poids.

Un aperçu des méthodes d'optimisation bilatérales et de leur impact sur les modèles d'apprentissage automatique.

Découvrez comment la connectomique cérébrale améliore les réseaux à état d'écho pour de meilleures prédictions.