Informatique - Apprentissage automatique

Explorer les relations causales fines pour améliorer la prise de décision en apprentissage automatique.

Cet article aborde les difficultés d'évaluation des méthodes de découverte causale bayésienne.

De nouvelles méthodes aident à identifier les corps en mouvement dans les images spatiales.

Explorer les défis des explicateurs de GNN sous des attaques adversariales dans des applications critiques.

Le modèle FuXi-ENS améliore les prévisions météo à moyen terme et gère bien l'incertitude.

Un nouveau cadre améliore l'efficacité et la précision dans la résolution de problèmes physiques complexes.

Une nouvelle méthode fusionne la flexibilité de l'apprentissage profond avec le respect des lois physiques.

Recherche sur les techniques de quantification pour une transmission de données efficace dans les canaux bruyants.

Un nouveau cadre qui combine les TNN et l'homologie persistante pour une meilleure analyse des données.

Cette étude présente de nouveaux algorithmes pour apprendre des réseaux bayésiens en utilisant des techniques d'apprentissage en ligne.

Explorer l'éthique de l'utilisation des ensembles de validation dans les modèles prédictifs de santé.

Une nouvelle méthode aide à identifier les erreurs dans les modèles de simulation.

Un aperçu des méthodes de regroupement pour changer les structures de graphiques.

CF-Diff combine le filtrage collaboratif et les modèles de diffusion pour de meilleures recommandations.

Un nouveau cadre améliore la précision du reprogramming visuel en utilisant des masques adaptés pour les images.

Une approche novatrice pour intégrer des transformateurs avec des structures de graphes pour de meilleurs résultats.

Un nouveau cadre réduit les émissions de carbone dans la conception des modèles d'apprentissage profond.

Une nouvelle méthode améliore la précision des petits modèles en utilisant des données synthétiques.

Cette étude examine comment la curiosité influence l'efficacité de l'exploration chez les agents artificiels.

Examiner le rôle de la randomisation dans la création de systèmes de machine learning équitables.

NCIDiff améliore la découverte de médicaments en se concentrant sur les interactions protéine-ligand.

Un nouveau cadre améliore les recommandations pour les utilisateurs avec un historique limité.

Explorer l'apprentissage fédéré et l'oubli pour la vie privée des utilisateurs et l'intégrité des modèles.

Une nouvelle approche pour garantir l'équité dans le diagnostic cognitif en utilisant des informations sensibles.

Une méthode pour améliorer l'analyse de données distribuées et de haute dimension dans divers domaines.

Explorer les avantages des ensembles de règles pour la modélisation prédictive éthique.

Les réseaux de neurones améliorent l'efficacité et la précision dans les simulations de transport de rayonnement.

Une étude explore des méthodes pour adapter le texte de l'IA pour les apprenants en langue.

Découvrir les risques posés par les attaques par porte dérobée sur les systèmes intelligents.

Explorer des stratégies pour améliorer les réseaux de neurones graphiques et s'attaquer aux défis de l'oversmoothing.

Cette recherche se concentre sur l'amélioration des GNNs en utilisant l'apprentissage auto-supervisé et l'alignement des caractéristiques.

Un nouveau cadre améliore les méthodes de pruning pour les grands modèles de langage sans réentraînement.

Une nouvelle méthode améliore la classification d'images en utilisant des descriptions textuelles détaillées.

Présentation d'une méthode pour ajuster les LLM sur des appareils à faibles ressources.

Une méthode pour améliorer la précision du positionnement WiFi en complétant les données de signal manquantes.

Une nouvelle méthode améliore la détection des défauts dans des environnements industriels en évolution.

FPN-fusion offre des prévisions efficaces et précises pour les données de séries temporelles.

Cette étude examine l'utilisation de l'IA pour analyser les réponses des étudiants en éducation biologique.

Une nouvelle méthode allie explicabilité et confidentialité dans le clustering pour de meilleures analyses de données.

FreeShap améliore l'attribution d'instance pour les modèles de langue, augmentant la fiabilité et l'efficacité.