Informatique - Apprentissage automatique

Un aperçu de l'apprentissage par opérateur et du cadre HJ-Net pour les PDE.

Cette étude se concentre sur l'amélioration des GNN pour surmonter les défis liés aux données d'entraînement biaisées.

Cet article parle des décodeurs additifs pour identifier des motifs cachés et générer des images.

Un nouveau cadre améliore la robustesse de l'apprentissage contrastif des graphes contre les attaques structurelles.

De nouvelles recherches montrent comment Sumformer peut améliorer l'efficacité des Transformers.

Cette étude examine comment les données de pré-entrainement influencent la robustesse du modèle dans différentes tâches.

De nouvelles méthodes améliorent la précision dans la génération de rapports médicaux en utilisant des graphes de connaissances et un entraînement intelligent.

Une nouvelle méthode améliore les exemples adversariaux contre les vulnérabilités des modèles de langue.

Cet article examine comment évaluer les modèles d'IA dans le secteur de la santé en tenant compte de l'incertitude dans le diagnostic.

Enquête sur l'équité dans les systèmes d'IA en tenant compte de plusieurs attributs protégés.

Explorer une nouvelle approche de la régression en utilisant l'informatique quantique.

Une nouvelle approche pour rendre les systèmes de classement plus équitables pour tous les groupes.

Un nouveau réseau améliore la reconnaissance d'images en utilisant des données étiquetées et non étiquetées.

De nouvelles méthodes améliorent la façon dont l'apprentissage automatique gère les données bruyantes.

Un cadre unifié qui améliore les capacités des modèles génératifs.

FedDRL améliore l'apprentissage fédéré en se concentrant sur la qualité du modèle et la sécurité.

Cette étude compare des méthodes pour gérer des variables catégorielles à haute cardinalité en apprentissage automatique.

Ces modèles améliorent l'engagement des utilisateurs en se concentrant sur le contexte des interactions.

Investiguer les vulnérabilités des DNN face au bruit adversarial dans le débruitage d'images.

EdgeConvEns améliore l'apprentissage profond tout en gardant les données privées et sécurisées.

Une nouvelle méthode améliore l'apprentissage de graphes non supervisé grâce à l'estimation d'entropie et à l'échantillonnage de sous-ensembles.

Un aperçu des défis et des stratégies dans les problèmes de bandits à plusieurs bras.

De nouveaux modèles améliorent les prévisions pour la progression de la dégénérescence maculaire liée à l'âge.

Une étude sur les SCS par rapport aux couches de convolution traditionnelles dans la classification d'images.

Cette étude analyse comment la perte de paquets affecte les performances dans l'apprentissage fédéré fractionné.

Examiner comment l'IA utilise des infos variées pour prendre des décisions.

Apprends comment l'apprentissage par ensemble améliore la précision des prédictions malgré le bruit.

Un aperçu des systèmes en cascade et des stratégies pour de meilleures prédictions.

Règles claires pour les auteurs qui soumettent des articles à une conférence.

Une étude sur la descente de gradient riemannienne et son application dans des scénarios de jeu complexes.

La sélection de fonctionnalités simplifie l'analyse des données en identifiant les variables clés.

Un nouveau cadre qui combine des modèles statiques et dynamiques améliore l'analyse des séries temporelles.

Une proposition pour améliorer la sécurité et la transparence des systèmes d'IA grâce à des mesures de responsabilité.

Aborder l'équité en apprentissage automatique pour garantir un traitement égal pour tous les groupes.

Méthodes innovantes pour la couverture d'zone en temps réel avec des systèmes robotiques.

Explorer l'efficacité de l'Opérateur Neural Hyène pour résoudre des équations différentielles partielles.

Une nouvelle méthode pour comparer des signaux en utilisant des distances de transport partielles améliore la précision et la flexibilité.

Explore l'attaque par injection de nœuds et le vol de liens, ainsi que les problèmes de confidentialité dans les GNN.

Une nouvelle méthode améliore la fiabilité des modèles de classification d'images.

Zshot simplifie l’évaluation pour la reconnaissance d’entités nommées et l’extraction de relations en NLP.