Informatique - Apprentissage automatique

Une nouvelle fonction de perte améliore l'estimation du rapport de densité en apprentissage automatique.

Les réseaux de Hopfield denses sont super efficaces pour la reconnaissance de motifs, surtout avec des données bruyantes.

UniST propose des prévisions urbaines avancées grâce à des techniques de modélisation adaptables.

Une nouvelle méthode améliore l'efficacité et la précision de la sélection des caractéristiques dans l'apprentissage sparse.

Un système qui surveille le traffic de communication pour améliorer la sécurité des véhicules et se protéger contre les menaces.

ProSparse améliore la sparsité d'activation dans les LLM pour une meilleure efficacité et performance.

Découvre une nouvelle méthode pour analyser des réseaux complexes à travers des structures hiérarchiques.

De nouvelles stratégies améliorent l'apprentissage avec des étiquettes faibles en sélectionnant des exemples négatifs pertinents.

Cette étude analyse les données Twitter pour évaluer la santé mentale dans les communautés.

Découvre comment LinkedIn améliore les recherches d'emploi pour les candidats et les employeurs.

Un nouveau cadre améliore l'efficacité de la mise en relation pour les jobs sur LinkedIn.

Un nouveau modèle identifie les distractions du conducteur pour améliorer la sécurité routière.

Une nouvelle méthode pour marquer des audios créés par des modèles de diffusion pour protéger les droits d'auteur.

De nouvelles méthodes visent à améliorer l'équité dans l'apprentissage automatique à travers différents endroits.

Une nouvelle méthode améliore l'apprentissage automatique en réduisant les corrélations trompeuses.

De nouvelles techniques améliorent les systèmes ASR pour une meilleure reconnaissance de la parole longue.

De nouveaux outils d'IA simplifient la création de textures 3D réalistes en utilisant des invites textuelles.

Une nouvelle méthode améliore l'apprentissage en combinant des démonstrations d'experts et des démonstrations sous-optimales.

BuffGraph améliore la classification pour les classes moins courantes dans les données de graphes déséquilibrées.

Aperçus sur le comportement de la descente de gradient et le bord de la stabilité.

Cette étude évalue les méthodes d'apprentissage automatique pour améliorer les systèmes de détection d'intrusion.

Une nouvelle approche améliore la détection de données invisibles dans les modèles d'apprentissage automatique.

Les MNNs automatisent la découverte d'équations régissant dans la recherche scientifique.

L'augmentation de l'hyperarête améliore les GNN en capturant des relations complexes dans les données.

Découvre comment SER améliore les interactions homme-machine grâce à la détection des émotions.

Cet article parle des défis et des solutions pour améliorer la performance de l'apprentissage par renforcement visuel.

Explorer des méthodes pour améliorer l'apprentissage automatique dans des environnements de graphes dynamiques.

Cette étude analyse comment les modèles basés sur des agents peuvent améliorer les réponses de santé publique aux pandémies.

Une méthode pour choisir le meilleur modèle ASR en fonction des caractéristiques audio.

Avancées dans l'utilisation de l'apprentissage automatique pour prédire le comportement des particules dans le modèle BGK.

Cette méthode améliore la découverte de sous-groupes et offre des insights plus clairs.

Une nouvelle approche bayésienne améliore les méthodes pour apprendre des structures DAG à partir des données.

Cette étude examine comment les modèles de langage apprennent et stockent des informations pendant l'entraînement.

Un aperçu des attaques de reconstruction et de leur impact sur la vie privée des données dans l'apprentissage automatique.

Apprends comment le MTFA réduit les dimensions des données pour des insights plus clairs.

Examiner les tailles d'échantillon nécessaires pour que les modèles spécialisés surpassent les modèles généraux.

Cet article explore comment le hasard influence l'apprentissage avec des données étiquetées limitées.

L'algèbre introduit de nouvelles méthodes pour gérer des données complexes en apprentissage automatique.

Une nouvelle approche pour la détection d'anomalies sécurisée dans les données de graphe.

Une nouvelle méthode améliore la compréhension des prédictions des modèles d'apprentissage automatique.