Informatique - Apprentissage automatique

Explorer le lien entre les modèles génératifs profonds et l'hypothèse des variétés.

Examiner les défis et les futurs rôles dans la programmation automatique avec les LLM.

Un nouveau cadre de prise de décision améliore les recommandations multi-objectifs.

Ce document parle de combiner l'apprentissage fédéré et l'apprentissage contrastif pour améliorer la confidentialité des données et la performance des modèles.

Des expériences négatives passées mènent souvent à une prise de décision prudente à l'avenir.

Une nouvelle méthode améliore les prévisions pour le transfert de chaleur dans les matériaux en utilisant des techniques de modélisation mixte.

Cet article parle des défis de sécurité des modèles d'apprentissage profond et des stratégies de défense.

Méthodes pour gérer les valeurs aberrantes efficacement dans l'analyse de données.

Cet article parle d'un modèle en boîte blanche pour un apprentissage non supervisé efficace.

Examiner les dangers potentiels des armes autonomes dans la guerre moderne.

Utiliser des algorithmes génétiques améliore la précision des prévisions des résultats des étudiants dans l'apprentissage en ligne.

Cette méthode améliore le réglage fin des modèles de langue en utilisant des jeux de données ouverts et non étiquetés.

Exploiter des données variées pour améliorer l'observation de la Terre et le machine learning.

L'intégration de plusieurs types de données améliore l'apprentissage et la rétention dans les réseaux de neurones profonds.

La détection d'anomalies est super importante pour la sécurité des véhicules connectés et autonomes.

Comprendre les préférences de risque variées peut améliorer les stratégies dans la prise de décision multi-agents.

FINC révèle les forces uniques des modèles génératifs grâce à une analyse détaillée de la fréquence des échantillons.

Une nouvelle approche s'attaque à la segmentation d'actions dans de longues vidéos en utilisant le transport optimal.

Une nouvelle approche améliore la compréhension de l'héritage biologique sur plusieurs générations.

Améliorer les modèles d'état par de meilleures techniques d'entraînement pour les données de séries temporelles.

Explorer les effets des radiations sur les modèles d'apprentissage automatique pour les applications spatiales.

DIG-Mol améliore les prédictions du comportement des molécules pour un développement de médicaments plus rapide.

Des méthodes innovantes améliorent la précision du suivi des satellites grâce à des techniques d'apprentissage automatique.

Un nouveau modèle redéfinit l'analyse des graphes en utilisant des ensembles de points pour des prédictions améliorées.

Cet article met en avant l'efficacité de méthodes plus simples pour détecter des anomalies dans les données de séries temporelles.

Apprends comment l'apprentissage fédéré garde les données privées tout en améliorant l'apprentissage automatique.

Une méthode pour que les agents apprennent des stratégies dans les jeux de champ moyen avec un minimum de connaissances préalables.

BiSHop améliore l'apprentissage profond pour les données tabulaires avec des techniques innovantes.

Cette étude évalue comment la taille du modèle et la quantification impactent la performance du modèle de langue.

La recherche s'attaque aux soucis de vie privée dans les modèles de langage grâce à des méthodes innovantes de désapprentissage.

Découvre une méthode pour réduire la taille des réseaux de neurones sans sacrifier la performance.

Découvrez comment l'interpolation améliore la fiabilité de l'apprentissage automatique en science.

Une nouvelle approche acteur-critique s'attaque aux défis multi-objectifs dans l'apprentissage par renforcement.

De nouvelles méthodes offrent des perspectives plus claires sur les décisions algorithmiques en utilisant des explications contrefactuelles.

La recherche s'attaque au calcul du score SHAP tout en relâchant les hypothèses d'indépendance des caractéristiques.

Une étude révèle des problèmes de confiance excessive dans les modèles de langage et de vision IA.

Un aperçu de comment fonctionnent les distributions conditionnelles avec des variables aléatoires gaussiennes.

Explorer des méthodes d'apprentissage fédéré pour protéger la vie privée des utilisateurs et améliorer les performances des modèles.

Un regard de plus près sur les mécanismes d'auto-attention dans les modèles de traitement du langage.

De nouvelles techniques améliorent l'efficacité et la précision des grands modèles de langage.