Informatique - Apprentissage automatique

Les ensembles de données dynamiques améliorent l'apprentissage des modèles et réduisent les besoins en ressources.

I2CL améliore l'efficacité et la performance dans les tâches des modèles linguistiques.

PhiNet imite les systèmes de mémoire humains pour améliorer l'apprentissage machine.

TimeMixer combine des modèles de données détaillés et larges pour une meilleure précision des prévisions.

ShapeFormer améliore la précision de classification en combinant des caractéristiques spécifiques à chaque classe et des caractéristiques générales.

Cette méthode combine l'apprentissage profond et les maths pour améliorer le remplissage d'images.

Une étude présente RepNoise pour protéger les grands modèles de langage contre le fine-tuning nuisible.

Un modèle améliore les prédictions de la réflexion de la lumière par le sol pour aider les études environnementales.

De nouvelles méthodes améliorent les prévisions et l'estimation des paramètres dans les simulations physiques.

Une nouvelle méthode améliore les performances de l'IA en utilisant efficacement tous les experts disponibles.

Une nouvelle méthode combine la technologie pour un calcul précis de l'empreinte carbone et des explications compréhensibles.

Cet article présente une méthode pour identifier les relations de cause à effet dans des systèmes complexes.

De nouvelles méthodes améliorent l'audit de la vie privée, en se concentrant sur des modèles d'état caché dans l'apprentissage automatique.

LoRA-Ensemble combine des modèles pour de meilleures prédictions et une gestion de l'incertitude.

Un nouveau système améliore l'apprentissage automatique grâce à un raisonnement abstrait amélioré et moins d'exemples.

Cet article examine les méthodes de Neyman pour évaluer des règles de traitement modernes adaptées aux individus.

Améliorer l'apprentissage distribué grâce à des techniques de clipping robuste et adaptatif.

De nouvelles méthodes améliorent la performance des modèles pendant la quantification dans les modèles de langage.

Une nouvelle méthode améliore la suppression des données dans les modèles de graphes dynamiques tout en garantissant la confidentialité.

Une nouvelle méthode améliore les prévisions en générant des données dynamiquement pendant l'entraînement.

CoMERA optimise l'entraînement des modèles d'IA, réduisant l'utilisation de mémoire et le temps tout en maintenant la précision.

Une nouvelle approche améliore l'entraînement des réseaux de neurones pour résoudre des équations différentielles.

Une nouvelle méthode pour améliorer l'utilisation de la mémoire dans les modèles de langage.

Une méthode d'apprentissage actif en deux étapes améliore la précision de la reconnaissance vocale avec moins de données.

Explore comment la théorie de l'information améliore notre compréhension du comportement des matériaux.

Une méthode pour dériver les exigences de sécurité à partir des données de comportement du système.

Une nouvelle méthode améliore la compréhension des prédictions des réseaux de neurones graphiques.

ReAd améliore le travail en équipe des robots en perfeccionnant les mécanismes de planification et de retour d’information.

Une nouvelle méthode améliore les prédictions de graphes avec des estimations d'incertitude fiables.

CoNHD améliore la modélisation hypergraphique pour les relations complexes avec une classification dépendante des arêtes.

Techniques pour affiner les données en apprentissage machine pour une meilleure efficacité et précision.

Une nouvelle méthode garantit une restauration d'image fiable en entraînant des réseaux de neurones monotoniques.

Une nouvelle approche basée sur les données améliore la sécurité et l'efficacité dans la construction souterraine.

Une méthode qui personnalise la sparsification des graphes pour améliorer la performance des réseaux de neurones.

L'harmonie améliore l'efficacité des machine learning pour comprendre les images et les vidéos.

Cet article parle de comment les transformers peuvent améliorer les tâches de prise de décision dans plusieurs domaines.

Une nouvelle méthode améliore les prédictions du réseau en examinant les relations entre les nœuds grâce à l'adjacence des orbites.

Un cadre flexible améliore le placement des dispositifs dans les modèles d'IA pour de meilleures performances.

De nouvelles méthodes améliorent la prise de décision dans l'apprentissage par renforcement contraint.

Box-NN améliore les performances du modèle face aux défis adverses avec simplicité et efficacité.