Informatique - Apprentissage automatique

Un nouveau modèle pour de meilleures prédictions d'interaction dans les réseaux utilisateur-article.

Un nouveau système automatisé améliore la précision des mesures fœtales pendant les échographies.

Une nouvelle méthode pour créer des exemples adversariaux ciblés de manière efficace et performante.

Une nouvelle méthode combine l'apprentissage profond et l'ELA pour améliorer l'analyse d'optimisation.

Découvre les avantages des Réseaux de Neurones Bayésiens pour faire des prédictions éclairées.

Un aperçu de la prise de décision en ligne et ses applications pratiques.

Présentation d'une approche flexible pour que les machines apprennent plusieurs tâches sans oublier.

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.