Informatique - Apprentissage automatique

Explorer le multi-apprentissage et son impact sur la stabilité et la performance de l'apprentissage par renforcement.

Une méthode utilisant l'apprentissage automatique améliore les simulations de flux turbulents sur de longues périodes.

Cette étude se concentre sur l'amélioration de la précision des résumés pour les longs documents scientifiques.

Découvrez comment la classification à une seule classe aide à distinguer les objets inhabituels des données normales.

Des chercheurs ont mis au point un échantillonnage des données d'IRM plus intelligent pour de meilleures images et plus de confort pour les patients.

Cette étude examine les effets des hormones sur l'hippocampe et les implications pour la santé cérébrale des femmes.

Une nouvelle méthode améliore l'analyse de l'eczéma en utilisant moins d'exemples.

Apprends comment LAD classifie les données en utilisant des schémas logiques simples pour des prévisions efficaces.

De nouvelles méthodes de réduction améliorent les performances du modèle de synthèse vocale multi-locuteurs en zéro-shot.

Une nouvelle méthode améliore la détection d'objets en intégrant les données RGB et IR.

Un nouveau cadre pour générer des embeddings clairs à partir de données de graphes non étiquetées.

Utiliser de nouvelles sources de données pour améliorer la surveillance et les prévisions épidémiques.

De nouvelles méthodes améliorent l'équité en pleine évolution des distributions de données.

La recherche vise à améliorer les modèles de langue en utilisant des sources de données externes précises.

UNREST améliore la prise de décision dans les voitures autonomes en prenant en compte les incertitudes environnementales.

Apprends à gérer le bruit dans la modélisation statistique pour une meilleure analyse.

Une étude sur les approches de l'apprentissage machine pour la maintenance prédictive et le suivi des conditions.

Un aperçu des méthodes de clustering améliorées avec la recherche locale multi-swap.

RLLTE offre un cadre flexible pour développer et améliorer des applications d'apprentissage par renforcement.

Examen du rôle des drones dans l'amélioration des méthodes de détection des arbres en utilisant des nuages de points et des images.

TrueLearn adapte les expériences d'apprentissage en fonction des interactions de chaque utilisateur.

Le cadre TEMT améliore la complétion des graphes de connaissances temporelles en utilisant le contexte textuel.

EFFL vise une précision de modèle et une équité égales entre les clients dans l'apprentissage fédéré.

Une nouvelle approche accélère les opérations des réseaux de neurones en traitant les tâches séquentielles en parallèle.

Cet article examine le rôle des régularisateurs d'équité dans les algorithmes prédictifs.

Un aperçu des méthodes d'apprentissage par renforcement et de leur efficacité dans différents contextes.

Une nouvelle méthode d'évaluation améliore la compréhension des prédictions des GNN.

Comparer différentes méthodes de détection OOD pour des données tabulaires médicales.

Explorer l'utilisation de l'apprentissage profond pour modéliser les systèmes hamiltoniens.

Examiner l'impact de la cohérence du modèle de récompense sur la performance du modèle de langage.

Examiner comment les modèles d'apprentissage automatique robustes influencent l'efficacité des explications.

Un cadre améliore les performances des LLM en intégrant des ensembles d'outils adaptés à différentes tâches.

Un nouveau modèle améliore les prévisions pour les données de séries temporelles incomplètes.

Cet article parle d'une nouvelle méthode pour améliorer la navigation des robots grâce à la reconnaissance de lieux.

Une nouvelle étude révèle des méthodes pour réduire la traînée en utilisant la dynamique des fluides.

Une nouvelle méthode combine des techniques basées sur les données avec des principes physiques pour un meilleur modélisation.

Un aperçu de comment les méthodes de recherche d'arbres améliorent les grands modèles de langage.

De nouvelles méthodes améliorent l'efficacité des réseaux de neurones graphiques avec une perte de performance minime.

GRANDE utilise la descente de gradient pour améliorer l'apprentissage à partir de données tabulaires.

Cet article parle d'utiliser l'entropie pour améliorer la performance et l'interprétabilité des réseaux de neurones.