Informatique - Apprentissage automatique

Une bonne séparation des données améliore la précision de détection du cancer du poumon avec l'apprentissage profond.

La communication sémantique améliore le partage d'infos en se concentrant sur le sens, ce qui rend tout plus efficace.

Explorer des champs neuronaux hybrides pour une représentation efficace des scènes 3D.

GLIDE-RL améliore la capacité de l'IA à suivre des instructions en langage naturel grâce à un cadre multi-agent.

Une stratégie claire pour automatiser et gérer des maisons intelligentes avec plusieurs règles.

Cette étude propose une nouvelle approche de l'optimisation hors ligne en utilisant des modèles génératifs.

Une nouvelle approche d'apprentissage automatique améliore l'optimisation de la conception en ingénierie et en science.

Une nouvelle méthode améliore la génération d'échantillons positifs dans l'apprentissage auto-supervisé.

Un nouveau cadre améliore le raisonnement visuel en utilisant des modèles de langage comme contrôleurs.

Une nouvelle approche améliore la capacité des modèles génératifs à créer des images réalistes.

Cette étude évalue des méthodes pour identifier les fuites dans les réseaux de distribution d'eau.

Une nouvelle méthode utilise l'apprentissage auto-supervisé pour améliorer l'analyse des transactions financières.

Une nouvelle approche améliore l'apprentissage adaptatif grâce à une meilleure prédiction des stratégies.

Un nouvel algorithme soutient l'équité à long terme dans la prise de décision en apprentissage automatique.

Les avancées en microscopie montrent comment les cellules communiquent et s'adaptent à leur environnement.

Une nouvelle méthode améliore l'estimation des dimensions pour des données complexes en haute dimension.

Explorer le rôle des modèles de fondation dans l'amélioration des résultats en santé.

Combiner des modèles de base et spécialisés renforce les capacités de l'IA de manière efficace.

Cette étude examine les facteurs qui influencent les courbes d'apprentissage en régression par crête noyau.

Enquête sur les vulnérabilités de l'apprentissage machine pour détecter les trojans matériels dans les CI.

Explorer le rôle des réseaux de neurones à valeurs hypercomplexes dans les applications modernes.

Les méthodes basées sur les données aident à prévoir les tendances du COVID-19 pour de meilleures décisions de santé publique.

Une nouvelle approche améliore l'apprentissage des caractéristiques dans les autoencodeurs variationnels.

Une nouvelle approche donne des explications claires pour les classifications de graphiques.

t-DGR propose une nouvelle approche de l'apprentissage continu, améliorant la rétention des tâches et la performance.

Un nouveau modèle intègre efficacement le traitement d'image 2D et 3D.

Un nouveau cadre améliore les SNN pour une meilleure efficacité et performance.

Un nouveau système améliore les performances des GNN sur de gros ensembles de données graphiques.

Explorer le potentiel des noyaux quantiques pour améliorer les techniques d'apprentissage automatique.

Combiner des données génétiques et de mobilité pourrait améliorer les prédictions sur les troubles liés à l'usage d'opioïdes.

Des experts partagent leurs idées sur les avancées de l'IA, les risques et les attentes pour l'avenir.

Les techniques d'apprentissage profond améliorent la surveillance et l'optimisation des systèmes électriques.

Cette étude met en lumière la complexité d'échantillonnage des algorithmes de descente de miroir de politique neuronale en apprentissage profond.

Une étude révèle les risques d'attaques par backdoor dans les tâches de prédiction de liens GNN.

De nouvelles méthodes ciblent le comportement des agents via des attaques pendant l'entraînement.

Découvrez des méthodes pour reproduire les bugs en apprentissage profond afin d'améliorer la fiabilité des logiciels.

Un nouveau cadre optimise les Réseaux Neuraux Tensoriels pour une meilleure efficacité et performance.

Combiner des modèles 2D et 3D améliore la précision des prédictions des propriétés moléculaires.

Des méthodes avancées améliorent la précision et l'efficacité dans la gestion des données manquantes.

MOTO améliore l'apprentissage des robots en combinant l'entraînement hors ligne avec un ajustement en ligne.