Informatique - Apprentissage automatique

Apprends à gérer les interférences dans les décisions basées sur les données.

CBGBench propose une approche structurée pour améliorer la conception et l'évaluation des médicaments.

Une nouvelle méthode améliore la fiabilité de la mesure de l'incertitude dans les modèles prédictifs.

AUTOPRIV simplifie la protection des données pour les utilisateurs sans compétences techniques.

Voici MEMENTO, une nouvelle méthode qui utilise la mémoire pour améliorer la résolution de problèmes en optimisation combinatoire.

Un regard sur le rôle de la complexité dans la performance des modèles.

Cet article présente une méthode pour utiliser des LLMs afin d'annoter des données tabulaires avec un minimum d'effort humain.

Une approche flexible pour générer des CFE qui respecte les préoccupations de confidentialité des données.

Apprends comment les autoencodeurs appariés améliorent la résolution des problèmes inverses complexes.

De petits changements de design peuvent stimuler la pensée critique quand on utilise des modèles de langage.

Explorer les lois de conservation et leur rôle dans des scénarios complexes de machine learning.

SimClone détecte des clones de données dans des ensembles de données tabulaires sans se baser sur des caractéristiques structurelles.

Une nouvelle fonction de perte améliore l'apprentissage des caractéristiques dans les tâches de classification.

Une étude améliore les stratégies de changement de voie pour les voitures autonomes dans un trafic mélangé.

Le BPA améliore notre façon de représenter des caractéristiques dans différentes tâches de données.

Cet article parle d'une méthode pour entraîner des agents généralistes en utilisant le langage et la vision.

Examiner les motifs de données spatiales et leur contenu d'information.

Une nouvelle méthode pour sélectionner efficacement des estimateurs dans des tâches d'évaluation hors politique.

Explorer des méthodes de classification pour des mélanges gaussiens superposés en apprentissage automatique.

Un nouveau cadre aide à visualiser des graphiques dynamiques pour de meilleures perspectives et analyses.

FAdam optimise l'entraînement en machine learning avec des techniques améliorées pour de meilleurs résultats.

CAT améliore l'interprétabilité du modèle en regroupant les caractéristiques en concepts de haut niveau.

Un modèle révolutionnaire gère des graphes dynamiques tout en améliorant les performances et en réduisant le temps d'entraînement.

CTBench aide les chercheurs à choisir de meilleures caractéristiques de base pour les essais cliniques en utilisant l'IA.

AMORE produit des règles claires pour mieux comprendre les décisions de l'IA dans divers domaines.

Combiner la physique et l'apprentissage machine améliore les techniques d'imagerie souterraine.

Un guide concis pour écrire et soumettre efficacement des articles scientifiques.

Examiner comment les couches de normalisation influencent la performance des transformateurs et la gestion des tâches.

Une nouvelle fonction de perte, Astral, améliore les performances des réseaux de neurones informés par la physique.

Une nouvelle méthode améliore notre façon de modéliser des systèmes complexes avec des équations simples.

Les chercheurs utilisent l'apprentissage automatique pour prédire des paramètres Hubbard importants pour les matériaux.

Les robots apprennent de nouvelles tâches plus vite en utilisant des compétences qu'ils ont déjà acquises grâce à leurs expériences passées.

Cette étude utilise des autoencodeurs épars pour interpréter les sorties de la couche d'attention dans les transformers.

De nouvelles méthodes améliorent la précision dans le traitement des données manquantes pour les arbres en plusieurs étapes.

Une nouvelle méthode améliore l'interprétation des images échographiques grâce à l'apprentissage automatique.

De nouvelles structures matricielles améliorent le réglage fin des modèles d'IA avec moins de demande en ressources.

Une étude révèle comment les traits des utilisateurs affectent les réponses et l'exactitude des LLM.

Cet article examine comment les biais se développent pendant l'entraînement des modèles d'apprentissage automatique.

Une nouvelle méthode de sélection d'exemples de données améliore l'efficacité de l'apprentissage automatique.

FedBiOT améliore les grands modèles de langage tout en gardant les données privées et en réduisant l'utilisation des ressources.