Statistiques - Apprentissage automatique

Cet article parle de nouvelles idées sur la régression causale pour prendre de meilleures décisions.

Examiner l'effet de saturation dans la régression de Ridge à noyau et ses implications pour les prédictions.

Une nouvelle approche pour mesurer l'équité dans les admissions universitaires et les évaluations de crédit.

Comprendre les complexités de l'évaluation des effets d'un seul traitement dans les conceptions factorielle.

Cet article parle des méthodes pour créer des intervalles de prévision étroits dans des conditions de données changeantes.

Une méthode pour évaluer la fiabilité des résultats de l'IA dans le secteur de la santé et au-delà.

De nouvelles techniques améliorent la cartographie des états en mécanique quantique et en apprentissage automatique.

LaT-PFN améliore les prévisions en utilisant du contexte et des données synthétiques pour les prédictions.

Explorer le feedback limité dans les tâches de classification en apprentissage automatique.

Une méthode pour traiter les erreurs de données dans l'analyse à haute dimension.

Analyser les modèles existants révèle des infos sur les tendances de performance des modèles de langage à mesure qu'ils grandissent.

Un nouveau cadre pour choisir des sources d'infos tout en minimisant les erreurs de classification et les coûts.

Un modèle hybride améliore les prévisions des tendances et des interventions liées au COVID-19.

Apprends comment un nouveau modèle s'attaque au turnover des clients et améliore les stratégies de fidélisation.

De nouvelles méthodes améliorent l'analyse fNIRS en utilisant des données synthétiques et l'apprentissage automatique.

Ce papier parle d'améliorer l'apprentissage à partir de retours d'humains défaillants dans les systèmes de recommandation.

Une nouvelle méthode MCMC améliore l'efficacité dans l'analyse de données complexes.

Découvrez comment les arbres collaboratifs peuvent clarifier les interactions entre les variables dans l'analyse de données.

Une étude révélant les facteurs qui influencent l'apprentissage en contexte dans les Transformers.

Explorer les points forts et les faiblesses du SGD local dans des environnements de données variés.

Une nouvelle méthode améliore les estimations des effets de traitement dans des ensembles de données complexes.

Cette étude explore les limites de la précision et de la robustesse des modèles d'apprentissage automatique.

Cet article présente un cadre pour analyser efficacement des jeux de données divers.

Un aperçu de l'optimisation par essaim de particules et ses applications dans divers domaines.

Découvrez comment les ordinateurs de réservoir stochastiques changent le paysage de l'apprentissage automatique.

Cette étude présente une méthode pour analyser efficacement des ensembles de données biologiques complexes.

Présentation des chemins de diffusion pour une détection E/O efficace en utilisant un seul modèle.

Une nouvelle méthode améliore les prévisions de vent en utilisant des modèles statistiques et l'intégration de données.

Un aperçu de comment la courbure aide à comprendre les réseaux complexes.

On te présente une méthode pour améliorer l'analyse des données en utilisant la modélisation hiérarchique et les statistiques bayésiennes.

Un nouveau cadre améliore l'apprentissage des processus stochastiques dans divers domaines.

Une méthode qui combine la SGD et des techniques de confidentialité pour une analyse de données efficace.

Présentation d'EBARS pour une sélection optimale des nœuds dans la régression splinée multivariée.

Méthodes efficaces pour gérer les labels bruyants dans des données de haute dimension pour une meilleure classification.

Cette étude examine comment les prédictions futures améliorent la performance de classification en ligne.

Un nouveau cadre pour créer des classificateurs d'apprentissage automatique fiables et précis.

Examine comment les algorithmes peuvent protéger la vie privée tout en optimisant les décisions dans la médecine personnalisée.

CViT fusionne l'apprentissage des opérateurs avec des champs neuronaux conditionnés pour améliorer la modélisation scientifique.

Cette recherche s'attaque au sur-lissage dans les convolutions de graphes pour améliorer la précision de la classification des nœuds.

Présentation de l'estimation de vraisemblance pénalisée par autophagie pour corriger le biais dans les modèles d'IA.