Informatique - Apprentissage automatique

Une nouvelle méthode améliore la prévision des séries temporelles multivariées en utilisant des techniques de masquage innovantes.

Une nouvelle méthode pour apprendre à partir de données non étiquetées en apprentissage automatique.

La recherche se concentre sur la création d'applis de machine learning fiables face aux pannes matérielles.

Découvre comment LoRA permet un ajustement efficace de gros modèles sur du matériel grand public.

Explorer des techniques pour générer des données réalistes en utilisant des autoencodeurs et des modèles de copule.

ChannelViT améliore l'analyse d'images multi-canaux complexes dans différents domaines.

Cette étude montre comment l'organisation des données influence la résilience de l'apprentissage automatique.

Le patching d'activation dévoile des infos sur les sorties et les comportements des modèles de langage.

Utiliser des réseaux de neurones pour améliorer l'analyse et la prédiction de la mécanique des contacts.

Apprends comment les régressions empilées améliorent la modélisation prédictive en combinant plusieurs approches.

Une étude sur les attaques de machine learning et les contre-mesures efficaces dans les systèmes de réseau.

La technologie IA change la donne pour le diagnostic et le traitement du cancer de la thyroïde.

Graph-JEPA propose une nouvelle méthode pour analyser efficacement des données de graphes complexes.

Explorer comment l'apprentissage profond analyse des systèmes dynamiques complexes.

Une méthode pour un apprentissage machine équitable qui réduit les biais dans les systèmes de prise de décision.

On te présente une méthode d'apprentissage actif qui mélange incertitude et diversité pour mieux gérer l'efficacité du labellisation.

Une méthode pour combiner des modèles génératifs pour une meilleure création de données.

De nouvelles techniques aident les robots à mieux marcher sur des surfaces inégales.

De nouvelles techniques améliorent l'analyse des changements cellulaires en utilisant de grands ensembles de données.

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

Un aperçu de comment les machines traitent le texte, les images et l'audio.

Une méthode pour retirer les artefacts EOG des données EEG en utilisant LSTM et ICA.

Explorer comment l'apprentissage automatique améliore le contrôle des fronts d'onde dans les systèmes d'optique adaptative.

PolyGET allie rapidité et précision dans les simulations de polymères, améliorant la recherche scientifique.

LATTICE améliore la détection d'anomalies dans les systèmes cyber-physiques grâce à un apprentissage structuré.

Une nouvelle méthode améliore la compréhension des changements cérébraux lors de la récupération après un AVC.

De nouvelles méthodes améliorent l'efficacité du stockage et de la transmission des données sans perdre en qualité.

Une nouvelle approche de routage de modèle améliore la sélection des grands modèles de langage pour des tâches spécifiques.

Ce papier parle des améliorations pour aligner des nuages de points en utilisant des méthodes de transport optimal.

Cette méthode améliore les prédictions en combinant des données étiquetées et non étiquetées via des graphes latents.

La recherche se concentre sur les mouvements de la langue pour aider à la thérapie de la parole et à l'apprentissage des langues.

La confidentialité différentielle protège les données personnelles pendant l'analyse, en s'assurant de la vie privée de chacun.

De nouvelles méthodes améliorent l'analyse des graphes temporels dans divers domaines.

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

Examiner l'impact des processus gaussiens dans des environnements de données complexes.

De nouvelles méthodes améliorent le rendu inverse grâce à des techniques d'optimisation innovantes.

Un aperçu de l'apprentissage d'équilibre profond fédéré et son impact sur l'IA.

SANGEA propose une approche évolutive pour créer des graphes synthétiques de haute qualité.

La suppression de la variance améliore la performance des réseaux de neurones profonds dans des conditions de données difficiles.

Améliorer l'identification des drones avec des signaux RF et des techniques d'apprentissage automatique.