Informatique - Apprentissage automatique

Examen de la perte de confidentialité dans Noisy-SGD avec des fonctions de perte non convexes.

Découvrez comment la sparsité essentielle optimise les gros modèles sans perte de performance.

Utiliser l'IA pour améliorer les contrôles de sécurité des chargements en logistique.

Explorer comment les agents peuvent améliorer la prise de décision grâce à la collaboration.

FAMO améliore l'efficacité et la performance de l'apprentissage multitâche dans les modèles IA.

Comment le design des robots influence les capacités d'apprentissage et la performance des tâches.

Une méthode novatrice pour améliorer la qualité des images avec moins d'étapes.

Une nouvelle approche pour gérer les données incomplètes et bruyantes dans la recherche.

Techniques pour améliorer la précision des forêts aléatoires grâce à une régularisation post-hoc.

Une approche bayésienne plus rapide améliore la détection des pics dans la recherche en neurosciences.

Apprends à prendre de meilleures décisions quand t'es confronté à l'incertitude.

Examiner comment des réseaux légèrement surparamétrisés améliorent les résultats d'entraînement.

De nouvelles méthodes améliorent la performance des modèles tout en garantissant la confidentialité des données.

CIN++ améliore l'analyse des données dans des systèmes complexes, surtout en chimie.

Un nouveau cadre améliore la capacité de l'IA à gérer l'incertitude dans ses prédictions.

Explorer le désapprentissage machine comme solution aux problèmes de confidentialité des données.

Explore comment l'extraction de concepts améliore la fiabilité de l'IA dans la fabrication.

Apprends à choisir des stratégies d'apprentissage actif efficaces en fonction des contraintes budgétaires.

dotears combine des types de données pour clarifier les interactions génétiques.

Un nouveau cadre améliore la prédiction du CTR en s'attaquant au biais de sélection des échantillons.

De nouvelles stratégies améliorent la capacité de l'intelligence artificielle à généraliser au-delà des données d'entraînement.

Un nouveau cadre améliore la cohérence et la performance dans la publicité en ligne.

Un aperçu de comment les espaces de Barron améliorent la performance des réseaux de neurones en haute dimension.

GShot génère des graphes de haute qualité à partir de peu de données d'entraînement en utilisant des techniques d'apprentissage par méta.

Cet article parle d'une méthode de filigrane pour protéger les modèles de diffusion et leur propriété intellectuelle.

Explorer les méthodes d'apprentissage machine pour les défis d'optimisation de réseau.

Une nouvelle approche pour lutter contre l'oubli catastrophique dans les modèles d'apprentissage continu.

Une nouvelle méthode améliore la prévision du trafic pour une meilleure gestion du réseau.

Explorer des méthodes pour améliorer la prise de décision de l'IA grâce à la curiosité et à l'expérience.

G-CAME améliore la compréhension des prédictions des modèles de détection d'objets grâce à des cartes de saillance claires.

Découvre comment les Turbo Autoencodeurs améliorent la fiabilité de la communication sur de longues distances.

Examiner comment le biais de popularité affecte la satisfaction des utilisateurs dans les systèmes de recommandation.

Ce document examine des méthodes efficaces pour évaluer des stratégies en utilisant des processus de décision de Markov.

Découvre comment l'apprentissage en contexte transforme les capacités des modèles de langue.

Examen des aspects clés des fonctions de perte pour prédire le comportement humain.

Un ensemble de données de 86 millions de molécules aide la recherche en découverte de médicaments et en science des matériaux.

Cette étude examine les biais dans les modèles de langage en utilisant le tuning de soft-prompt.

Un nouveau standard améliore l'évaluation de la façon dont les modèles apprennent des concepts visuels.

La recherche améliore les techniques de quantification pour rendre les modèles de reconnaissance vocale plus efficaces.

Un aperçu des techniques de régression robuste et de leur efficacité face aux valeurs aberrantes.