Derniers articles pour Hors distribution

WeiPer améliore la détection des distributions hors normes dans les modèles de machine learning en ajustant les poids.

Examiner comment les labels en distribution impactent la détection hors distribution en apprentissage automatique.

Cet article parle d'étendre les fenêtres de contexte dans les modèles de langage en utilisant des vecteurs de position.

Une nouvelle approche pour améliorer la précision de la détection 3D dans des environnements changeants.

Explorer la sécurité, la fiabilité et les problèmes éthiques dans les modèles de langage.

Une nouvelle méthode aide les voitures autonomes à gérer les changements soudains en toute sécurité.

Voici Ludor, un cadre qui améliore l'apprentissage par renforcement hors ligne grâce au transfert de connaissances.

Une nouvelle suite de tests aide à évaluer les raccourcis de raisonnement dans l'intelligence artificielle.

Aperçus sur les défis de l'apprentissage automatique pour prédire les propriétés des matériaux.

Une nouvelle méthode améliore l'optimisation de design en utilisant des données existantes.

Une nouvelle méthode améliore la clarté des prédictions dans les classificateurs softmax pour des domaines critiques.

Nouvelle méthode améliore la précision des prédictions visuelles grâce à la représentation des objets.

Explore l'impact des données hors distribution sur la performance des algos de machine learning.

LAPT simplifie la détection OOD, rendant l'IA plus fiable dans des situations incertaines.

Présentation d'ESCAPE, un cadre qui améliore la précision et la vitesse de la pose humaine en 3D.

La recherche vise à améliorer la fiabilité de l'IA et son efficacité énergétique dans diverses applications.

L'augmentation au moment du test améliore l'analyse d'images pour les maladies gastro-intestinales.

Présentation d'une méthode pour évaluer les modèles d'IA sur des données jamais vues de manière plus efficace.

Explorer comment les données bruyantes affectent la performance du modèle sur des données inédites.

De nouvelles méthodes améliorent les modèles d'apprentissage automatique pour mieux détecter les échantillons inhabituels dans des ensembles de données déséquilibrés.

Explorer les problèmes d'incertitude épistémique dans les méthodes de Deep Learning bayésien.

Combiner les méthodes existantes améliore la détection OOD pour des applis de machine learning plus sûres.

Améliorer la précision en imagerie médicale grâce à la détection hors distribution.

Un aperçu du package py-ciu pour expliquer clairement les choix de l'IA.

De nouvelles méthodes améliorent les prévisions des propriétés des matériaux en utilisant des techniques d'apprentissage automatique.

InfoIGL améliore la performance des réseaux de neurones graphiques dans des environnements de données variés.

Explorer des prior flexibles pour améliorer les prédictions dans les modèles de dernière couche bayésienne.

SONA crée des cas extrêmes difficiles pour améliorer l'entraînement des modèles en apprentissage automatique.

INK offre une méthode fiable pour identifier les échantillons hors distribution en apprentissage automatique.

Une nouvelle méthode intègre l'apport humain pour améliorer l'apprentissage OOD des modèles de machine learning.

SOOD-ImageNet s'attaque aux défis de la vision par ordinateur liés aux significations d'image qui changent.

Un nouveau cadre améliore la détection d'objets en identifiant des instances hors distribution à l'aide de prototypes.

Une nouvelle méthode aide les modèles à s'adapter aux données imprévues du monde réel.

Une nouvelle approche améliore la capacité de l'IA à gérer des données inhabituelles.

Une nouvelle méthode simplifie la suppression de contenu indésirable dans les ensembles de données visuelles.

Les robots apprennent à gérer des situations compliquées avec la récupération centrée sur les objets.

Une approche basée sur des graphes pour améliorer l'apprentissage automatique dans des environnements dynamiques.

L'oubli aide les modèles d'IA à zapper des infos spécifiques sans perdre des compétences essentielles.

Une nouvelle approche pour améliorer la détection OOD dans les modèles d'apprentissage machine.

Une nouvelle méthode améliore la détection de données inconnues dans les modèles d'apprentissage profond.