Informatique - Apprentissage automatique

Découvrez comment les systèmes d'IA apprennent avec le temps sans perdre leurs connaissances passées.

Examiner les défis de la vie privée dans la technologie de reconnaissance faciale.

Découvrez comment l'attention éparse améliore le traitement dans les modèles de langage.

Explorer l'impact de l'approximation de matrice de faible rang en imagerie médicale.

Cet article examine comment les attaques adversariales compromettent les modèles de classification de texte.

Examiner comment l'incertitude impacte la prise de décision dans les grands modèles de langage.

Effector aide à expliquer les effets régionaux dans les modèles d'apprentissage automatique pour de meilleures perspectives.

Cette étude examine comment la taille des lots influence la performance et l'entraînement des modèles de discours.

Une nouvelle méthode améliore l'agrégation des arbres de décision tout en gardant l'interprétabilité et la vie privée.

Apprends à créer des stratégies pour la planification complexe dans des environnements incertains.

Explorer le rôle des réseaux de neurones bayésiens dans la prédiction des flux turbulents.

Des chercheurs améliorent les prévisions climatiques en utilisant des méthodes d'apprentissage automatique pour plus de précision.

Une nouvelle approche pour améliorer les stratégies d'investissement grâce à l'analyse des interactions entre joueurs.

Une nouvelle architecture vise à apprendre aux systèmes d'IA à combiner des compétences acquises pour des tâches variées.

SuperdropNet améliore la modélisation microphysique des nuages pour de meilleures prévisions météo.

Cet article examine les difficultés d'adapter l'apprentissage profond dans des environnements dynamiques.

Une nouvelle méthode améliore la reconnaissance des objectifs en se concentrant sur les comportements variés des agents.

De nouvelles approches améliorent l'allocation des ressources dans les opérations en ligne, en équilibrant apprentissage et prise de décision.

Une nouvelle méthode améliore la fiabilité des prédictions des réseaux de neurones.

R T-LLM améliore la précision des prévisions de trafic et explique ses prédictions.

Traiter les hallucinations pour améliorer la fiabilité des modèles de langage.

Une étude sur l'amélioration des prévisions des prix de l'électricité en utilisant des méthodes bayésiennes.

Cet article explore comment les données d'entraînement affectent les performances des modèles dans les systèmes multimodaux.

Une étude qui se concentre sur des modèles justes et explicables pour prédire le traitement des troubles liés à l'usage de substances.

Cet article discute des méthodes efficaces pour estimer les paramètres dans des modèles basés sur des agents.

Un nouveau modèle améliore le diagnostic automatique des radios pulmonaires grâce à l'apprentissage auto-supervisé.

Cet article discute de la manière dont les stratégies de réinitialisation améliorent les performances des solveurs SAT en utilisant l'apprentissage par renforcement.

JUICER aide les robots à apprendre le montage de meubles avec moins d'exemples.

Explore comment le momentum booste l'efficacité dans l'entraînement des réseaux de neurones.

Une nouvelle méthode améliore l'entraînement des modèles de langage pour mieux s'aligner avec les valeurs humaines.

Les nouveaux systèmes d'arrivée pour les véhicules volants améliorent l'efficacité et la sécurité des déplacements en ville.

Améliorer la fiabilité des réseaux électriques grâce à des méthodes avancées de localisation des pannes.

Les PNCs fusionnent les réseaux de neurones et les circuits probabilistes pour une meilleure prédiction et modélisation.

Méthodes innovantes pour entraîner des modèles avec du texte compressé.

ALCORE simplifie l'analyse tensorielle pour gérer efficacement les données de comptage rares.

Étude du travail d'équipe parmi des agents avec des défis de coordination uniques.

TreeDOX propose une approche plus simple pour prédire des systèmes chaotiques en utilisant des données passées.

DOUST utilise l'entraînement au moment du test pour améliorer la détection des anomalies sans avoir besoin de données étiquetées.

Le cadre SPOT améliore l'efficacité du clustering dans des ensembles de données déséquilibrés en utilisant des pseudo-étiquettes.

L'étude examine comment les modèles quasi-interpolants se comportent sur des données jamais vues.