Informatique - Apprentissage automatique

Analyser comment LoRA affecte la rétention des connaissances dans les modèles préentraînés pendant l'apprentissage continu.

Facteurs clés influençant les émissions de CO2 dans les pays développés sur 25 ans.

Découvrez de nouvelles techniques pour améliorer l'efficacité de l'entraînement des réseaux de neurones profonds.

Fast-FedUL propose des méthodes rapides pour supprimer des données en apprentissage fédéré tout en garantissant la vie privée.

Nouveau cadre améliore les prédictions en analysant des séries de données interconnectées.

Un aperçu de l'effondrement neural et de son impact sur les modèles de deep learning.

Une nouvelle approche utilise des réseaux de convolution de graphes pour une analyse efficace des données musicales.

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

Cet article examine les risques de sécurité liés aux attaques backdoor sur l'apprentissage automatique dans les systèmes de graphes.

Le clustering organise les données en groupes, révélant des insights dans différents domaines.

Une nouvelle méthode qui accélère les décisions dans le problème de semi-bandit de matroïde.

Examiner le potentiel des modèles d'apprentissage automatique pour prédire des événements météorologiques extrêmes.

Utiliser le deep learning pour analyser la dynamique du plasma peut améliorer le contrôle de l'énergie de fusion.

Une nouvelle approche améliore la fusion des modèles d'IA pour de meilleures performances et une meilleure efficacité.

Un nouveau cadre automatise la conception de cristaux en utilisant des techniques d'apprentissage automatique.

Une nouvelle méthode améliore la qualité des échantillons générés dans les modèles de diffusion.

De nouvelles méthodes améliorent les processus de suppression des données dans les modèles d'apprentissage automatique.

Analyser les motifs de langage pour identifier le contenu négatif sur les réseaux sociaux.

Une nouvelle méthode améliore les prévisions de production de chaleur solaire grâce à l'apprentissage automatique.

Explorer les méthodes de gradient de politique et leurs effets sur la prise de décision dans l'apprentissage par renforcement.

Les modèles d'IA améliorent les prévisions en dynamique des fluides, rendant la précision meilleure dans plein d'applications.

Le nouveau modèle d'IA LDMol améliore la génération de molécules à partir de descriptions textuelles.

Ce papier présente L-HiTS, une méthode pour simuler des systèmes complexes en utilisant l'apprentissage profond.

La recherche explore des méthodes pour améliorer la façon dont les modèles de langage apprennent du contexte.

Une nouvelle approche améliore l'équité dans l'identification des discours de haine à travers différents groupes.

Une nouvelle approche améliore l'efficacité des attaques sur les modèles de langage axés sur la sécurité.

Des recherches montrent les défis de la détection des filigranes dans les grands modèles de langage.

Une nouvelle méthode améliore les modèles de langue en générant plusieurs jetons en même temps.

Une nouvelle méthode améliore la transmission des données en se concentrant sur une communication significative.

Stratégies innovantes pour maximiser les récompenses dans des environnements de prise de décision.

Des recherches montrent une méthode pour améliorer les performances des modèles multi-modaux en comblant les lacunes de représentation.

Une nouvelle approche pour améliorer les modèles de prédiction de CTR tout en réduisant la taille et en augmentant la vitesse.

Une nouvelle approche pour la classification des données compositionnelles en utilisant des modèles discriminants.

Un regard sur l'intégrabilité en physique et le rôle de l'apprentissage automatique.

Un examen de comment les choix d'algorithmes influencent les individus dans des décisions cruciales.

Explorer les avantages et les applications des EQCNNs dans l'apprentissage automatique.

Une nouvelle approche améliore la compréhension des comportements des étudiants dans les MOOC.

Apprends comment la dernière couche bayésienne quantifie l'incertitude dans les prédictions de machine learning.

Cette étude examine l'efficacité des informations spectrales par rapport à la perturbation des bords dans le SSL de graphes.

Examiner pourquoi les modèles plus grands ont du mal avec l'apprentissage en contexte par rapport aux plus petits.