Statistiques - Apprentissage automatique

De nouvelles méthodes améliorent l'efficacité de l'échantillonnage à partir de corps convexes.

Cet article parle des ensembles en ligne d'expansions de bases pour améliorer l'apprentissage automatique.

Exploiter l'apprentissage par renforcement pour optimiser la planification des tâches en utilisant les techniques de l'indice de Gittins.

Une nouvelle approche pour le débruitage d'images en utilisant des techniques d'apprentissage auto-supervisé.

Cette approche simplifie et améliore la reconstruction des réseaux dans divers domaines.

Un aperçu de l'inférence basée sur la simulation et de ses applications dans la recherche.

De nouvelles méthodes améliorent la qualité et la diversité dans la collecte de données scientifiques.

Deux nouvelles approches améliorent la fiabilité dans l'évaluation des explications des modèles d'IA.

Cet article examine les défis dans la recherche en ML et propose des améliorations pour la fiabilité.

Ce papier parle de la manière de prioriser les traitements en restant dans les limites du budget pour avoir de meilleurs résultats.

LFIS propose une méthode systématique pour échantillonner à partir de distributions complexes.

Un guide sur la prédiction conforme et son rôle dans l'estimation de l'incertitude.

Les chercheurs améliorent les processus de biom fabrication en utilisant l'inférence bayésienne et des techniques d'échantillonnage efficaces.

Un nouveau modèle pour prendre de meilleures décisions en utilisant des données historiques.

Cette étude examine comment on peut apprendre des préférences à partir de comparaisons simples.

Une méthode pour améliorer l'optimisation dans des espaces courbes avec des calculs inexactes.

Analyser les réponses individuelles aux traitements en utilisant le Causal K-Means Clustering.

Un aperçu des techniques de modélisation générative et de leurs applications en IA.

Cette étude développe des algorithmes pour améliorer la résistance des systèmes distribués aux appareils défaillants.

Une nouvelle méthode combine l'apprentissage profond et les algorithmes génétiques pour une inférence bayésienne plus rapide.

Introduction de la distance de Wasserstein partielle robuste pour une meilleure comparaison des données.

Une nouvelle méthode améliore la fiabilité des prédictions en s'attaquant à l'incertitude dans l'apprentissage automatique.

Nouvelles méthodes pour la collaboration préservant la vie privée dans l'apprentissage fédéré vertical.

Explorer le contrôle fédéré dans l'apprentissage par renforcement pour que les agents collaborent en toute sécurité.

Exploiter des données externes pour une meilleure sélection de caractéristiques dans les études génomiques.

Présentation d'un cadre pour quantifier l'incertitude dans les modèles prédictifs, surtout dans des espaces de données complexes.

L'apprentissage par renforcement robuste adapte des stratégies pour des résultats fiables malgré les défis du monde réel.

Une nouvelle méthode améliore la qualité des solutions dans les défis d'imagerie médicale.

Comprendre comment l'IA prend des décisions est super important pour la confiance et une utilisation éthique.

Les contrefactuels révèlent des trucs intéressants mais posent des risques pour la vie privée en apprentissage automatique.

Présentation d'une nouvelle approche pour un échantillonnage efficace à partir de distributions complexes.

Examiner le rôle de l'apprentissage profond dans l'amélioration des modèles causaux.

Explorer le rôle des algorithmes aléatoires dans la simplification des données complexes.

Explorer comment les GMFGs modélisent des interactions diverses entre les agents dans des systèmes complexes.

De nouveaux modèles améliorent les prévisions sur la durée de vie des machines grâce à l'apprentissage profond.

De nouvelles méthodes améliorent la performance des tâches principales en utilisant des données auxiliaires sans coûts de calcul supplémentaires.

Une nouvelle méthode de filtrage s'attaque aux valeurs aberrantes pour une meilleure précision des données.

Cet article examine comment les réseaux ReLU approchent des fonctions à faible régularité.

Une nouvelle méthode pour analyser des données catégorielles tout en garantissant la confidentialité.

Une nouvelle méthode pour estimer les effets des traitements en utilisant des essais contrôlés et des données du monde réel.