Informatique - Apprentissage automatique

Un nouveau cadre améliore la détection de fake news en utilisant du texte et des images.

Une nouvelle méthode évalue les associations de données trompeuses dans les modèles d'apprentissage automatique.

HERMES prédit l'impact des mutations de protéines sur la stabilité et la fonction en utilisant des structures 3D.

Apprends comment les processus de décision de Markov améliorent la prise de décision dans des situations incertaines.

CDFL améliore la reconnaissance d'activité humaine tout en garantissant la vie privée des données et l'efficacité.

Une nouvelle méthode utilisant des modèles de diffusion améliore l'efficacité et l'efficacité du placement des puces.

Une nouvelle méthode améliore l'adaptation du maillage pour résoudre des équations complexes.

Enquêter sur comment les transformers apprennent et se généralisent à partir de tâches compositionnelles.

Combiner des modèles basés sur des instantanés et des événements pour améliorer l'analyse des graphes temporels.

Une nouvelle approche aide les modèles à s'adapter efficacement à des environnements de données imprévisibles.

NeighborFL améliore la précision des prévisions de trafic tout en protégeant la confidentialité des données.

CQE améliore les prévisions de temps de visionnage de vidéos et l'engagement des utilisateurs sur les plateformes en ligne.

Un aperçu des pratiques qui sapent la confiance dans les évaluations des modèles d'apprentissage automatique.

Examiner comment améliorer la certitude dans les prédictions de l'IA grâce à une perte conflictuelle.

Découvre les réseaux de neurones, leur structure et leurs applications dans différentes industries.

MolTRES améliore la prédiction chimique en intégrant des connaissances et des méthodes de formation innovantes.

L'apprentissage automatique améliore la prédiction des coefficients d'activité dans les mélanges chimiques.

Une nouvelle approche améliore l'efficacité et la qualité de la techno texte-à-image.

Établir un standard pour évaluer l’équité dans les méthodes d’apprentissage graphique.

Combine des données étiquetées et non étiquetées pour améliorer la précision du modèle.

Les réseaux Tiled Bit optimisent les modèles d'apprentissage profond pour une meilleure efficacité et performance.

Une nouvelle méthode simplifie la sélection de données pour la vérification de la sécurité des véhicules autonomes.

De nouvelles méthodes d'attention améliorent l'efficacité et les performances des modèles de transformateurs.

Explorer comment la conception des récompenses influence l'apprentissage dans les systèmes de renforcement.

Un nouveau générateur de poids améliore l'efficacité et la qualité de l'entraînement des réseaux de neurones.

L'attention elliptique améliore la concentration et la performance dans les tâches d'IA.

Une nouvelle méthode favorise l'équité dans l'identification du langage toxique ciblé à travers les groupes démographiques.

Cette étude explore comment les robots peuvent comprendre les usages secondaires des outils.

Des recherches montrent que les robots peuvent reproduire les mouvements de tête humains pour mieux interagir.

De nouvelles méthodes améliorent la représentation d’image et l’efficacité du traitement.

RPC-Attention améliore les modèles d'auto-attention pour de meilleures performances sur des données bruyantes.

Une nouvelle méthode améliore la précision des modèles dans des situations de déséquilibre des classes.

Une nouvelle méthode améliore l'efficacité de l'unlearning machine tout en préservant les performances du modèle.

Une nouvelle méthode qui combine les atouts de Sliced et Tree Wasserstein pour l'analyse de données dynamiques.

Des recherches montrent que c'est compliqué d'aligner le traitement machine avec la perception humaine.

La calibration s'assure que les prédictions collent aux résultats réels dans différents domaines.

Découvrez des méthodes pour apprendre des fonctions de parité malgré des inexactitudes dans les données.

Apprends comment l'apprentissage en contexte améliore les modèles prédictifs en utilisant plusieurs ensembles de données.

La méthode SUWR améliore la clarté et la fiabilité de la sélection des caractéristiques dans les prédictions.

Une étude sur la résilience des Graph Transformers face aux attaques adverses.