Derniers articles pour Apprentissage par transfert

Une étude sur l'efficacité des scores de transférabilité dans les tâches d'imagerie médicale.

Découvrez comment les modèles de langue améliorent la segmentation d'images médicales.

Le modèle FLAIR améliore l'analyse des maladies des yeux en utilisant des connaissances d'experts et des images du fond de l'œil.

Une étude montre comment l'apprentissage par transfert améliore les performances aux tâches cognitives en utilisant des données EEG.

Des recherches montrent que l'IA peut améliorer la précision des mesures de la circonférence de la tête du fœtus.

L'apprentissage automatique aide à prédire les conditions de l'eau dans des zones sans stations de surveillance.

Les modèles récents améliorent les prévisions pour les interactions des anticorps avec des antigènes clés.

Grad-CAM aide les docs à faire confiance à l'IA pour diagnostiquer des problèmes médicaux.

Présentation de Knowledge Bridge Learning pour améliorer le transfert de connaissances en deep learning.

L'apprentissage par transfert jetable s'attaque aux problèmes de confidentialité tout en gardant la performance du modèle.

Nouveau jeu de données améliore la recherche sur les cellules nerveuses chez les rongeurs grâce à la microscopie à fluorescence.

Cette étude explore le biais dans les modèles audio utilisés pour la reconnaissance d'instruments.

Un nouveau cadre améliore l'utilisation des données qualitatives pour de meilleures prises de décision.

TAN améliore la génération d'images avec peu de données grâce à des techniques innovantes.

Les techniques d'apprentissage machine améliorent l'analyse des données en cristallographie aux femtosecondes en série.

Les outils d'IA peuvent améliorer le diagnostic précoce de la rétinopathie diabétique pour éviter la perte de vision.

De nouvelles techniques améliorent le diagnostic des maladies tout en garantissant la confidentialité des patients.

Une nouvelle méthode améliore la performance des modèles sur différents types de données.

Explorer de nouvelles stratégies pour améliorer le mouvement des robots.

Une nouvelle méthode améliore la segmentation d'images médicales avec moins de données étiquetées.

De nouvelles méthodes améliorent les prédictions de l'âge biologique en utilisant des données épigénétiques.

OSBORN aide à choisir les meilleurs modèles pré-entraînés pour des tâches spécifiques.

Présentation de MultIOD pour une détection d'objets efficace sans répétition.

Comment l'apprentissage par transfert améliore la détection des menaces et la vie privée en cybersécurité.

Cette étude utilise l'apprentissage profond pour prédire le risque de cancer du foie chez les patients atteints de NAFLD.

Cette étude examine comment classifier les révisions pour améliorer l'écriture argumentative.

TransNet propose une solution efficace pour reconnaître les actions humaines dans les données vidéo.

Un aperçu des défis et des solutions dans la recherche multilingue.

DeepVol utilise l'apprentissage profond pour améliorer les prévisions de volatilité sur différents actifs financiers.

Une nouvelle méthode améliore la précision des modèles grâce à l'apprentissage fédéré et à la régression par noyau.

Une étude montre que l'apprentissage contrastif supervisé améliore les performances des modèles sur différents jeux de données.

Un nouveau modèle de réseau de neurones améliore la reconnaissance de texte dans divers tâches et domaines.

De nouvelles techniques améliorent la performance des modèles en utilisant peu de données étiquetées.

MoMA améliore l'apprentissage de l'IA en pathologie avec un accès limité aux données.

Des recherches montrent que l'apprentissage automatique peut prédire les frontières de phase non-Hermitienne en utilisant des données Hermitiennes.

Un nouveau modèle prédit le comportement des matériaux de manière efficace en utilisant des techniques d'apprentissage automatique.

De nouvelles techniques améliorent les systèmes de réponse aux questions en arabe pour de meilleures performances.

La recherche explore comment améliorer l'adaptabilité de l'apprentissage automatique grâce à l'auto-apprentissage et à l'induction de Solomonoff.

Double-Dip combine l'apprentissage par transfert et la randomisation pour se protéger contre les attaques par inférence de membres.

Une nouvelle approche pour s'attaquer au changement de covariables dans les modèles d'apprentissage automatique.