Informatique - Apprentissage automatique

Un nouveau cadre améliore l'apprentissage automatique à partir de sources d'informations diverses.

Une analyse des facteurs qui influencent l'oubli en apprentissage automatique.

Un nouvel algorithme améliore la vérification des réseaux de neurones pour fiabilité et équité.

Un nouvel algorithme améliore les ensembles de prédiction pour une meilleure prise de décision des experts.

Un nouveau cadre améliore l'extraction des attributs produits dans le retail de mode.

Cet article parle de nouvelles méthodes pour expliquer les décisions de l'IA dans la détection d'objets.

Enquêter sur les effets de LoRA sur l'équité entre différents groupes dans l'apprentissage automatique.

Cette étude explore comment les représentations des réseaux de neurones évoluent pendant l'entraînement, inspirées par la nature.

De nouvelles méthodes améliorent la détection des échantillons atypiques dans des environnements de données mixtes.

SADA améliore la stabilité de l'entraînement dans l'apprentissage par renforcement visuel avec des techniques avancées d'augmentation de données.

Explore le rôle de la mémoire et du contexte dans l'amélioration de l'apprentissage machine.

Une nouvelle méthode réduit le temps et le coût de formation des modèles de diffusion.

Cette étude explore comment les DNN apprennent et s'adaptent grâce à l'entraînement.

Cet article examine les risques d'ajuster les modèles de langage pour la sécurité.

Explorer le rôle des GNN dans la croissance des technologies IoT.

Une étude évalue comment les modèles quantiques et classiques réagissent aux attaques adversariales.

De nouvelles méthodes améliorent l'efficacité de l'attribution des données d'entraînement dans les modèles d'IA.

SynCx améliore la découverte d'objets en utilisant des poids à valeurs complexes et un traitement itératif.

Utiliser l'apprentissage automatique pour prévoir les risques de glissement latéral dus aux tremblements de terre.

FedHPL améliore l'efficacité de l'apprentissage fédéré tout en garantissant la confidentialité des données sur les appareils.

Améliorer la qualité de la génération de texte en choisissant des exemples plus clairs.

Une nouvelle méthode permet le transfert de modules LoRA avec des données synthétiques, réduisant ainsi la dépendance aux données originales.

Une nouvelle méthode pour analyser les réseaux temporels et leur incertitude.

WeiPer améliore la détection des distributions hors normes dans les modèles de machine learning en ajustant les poids.

DSAM offre une nouvelle perspective sur la connectivité du cerveau en utilisant des techniques avancées d'apprentissage profond.

Cet article examine comment l'apprentissage automatique estime les effets du traitement dans les études sur le comportement des fourmis.

Examiner la transition entre les classes de concepts généraux et les classes extrêmes dans l'analyse de données.

Une méthode pour trouver des stratégies dans les MDP sans connaissance préalable.

Une nouvelle technique d'élagage de couches améliore l'efficacité et la précision du modèle.

Une nouvelle fonction de perte améliore les données tabulaires synthétiques en utilisant des GANs pour la recherche médicale.

Une nouvelle méthode améliore l'optimisation de conception dans des domaines complexes.

Un aperçu de comment les exemples adversariaux défient les modèles d'IA.

Inclure des données non anglophones améliore la performance des modèles vision-langage et la compréhension culturelle.

Le modèle CATS remet en question les approches traditionnelles de prévision des séries temporelles en utilisant l'attention croisée.

Une nouvelle approche améliore les embeddings de graphes en se concentrant sur la gestion des dimensions.

TGDP améliore la génération de données dans des scénarios avec peu d'exemples d'entraînement.

Une nouvelle méthode pour l'optimisation de portefeuille qui se concentre sur l'efficacité et la gestion des risques.

Cet article parle de comment GRSNN améliore les tâches de raisonnement sur les graphes en utilisant le délai synaptique.

Apprends comment les hyperparamètres influencent l'entraînement dans les grands réseaux de neurones.

Examiner l'efficacité et le coût des petits modèles d'IA par rapport à leurs homologues plus grands.