Statistiques - Apprentissage automatique

Une nouvelle méthode pour analyser des données fonctionnelles en utilisant des autoencodeurs de réseaux de neurones.

Une nouvelle approche pour évaluer les modèles de machine learning sans données étiquetées.

Cet article traite des problèmes de changement de distribution dans les simulations améliorées par l'apprentissage automatique.

Cette recherche améliore l'apprentissage par renforcement en ligne en utilisant la modélisation du rapport de densité pour une meilleure exploration.

La régularisation de la dimensionnalité locale propose des solutions pour améliorer la qualité de la représentation SSL.

FREED++ montre une génération de médicaments améliorée avec un design moléculaire et des performances renforcées.

Découvrez comment le métrique de désaccord minimal améliore l'efficacité de l'apprentissage actif.

Cet article parle de l'utilisation de données agrégées en machine learning tout en protégeant la vie privée.

Une nouvelle approche pour améliorer l'optimisation dans des scénarios complexes en utilisant des simulations.

Une nouvelle façon d'analyser les effets variés des traitements sur différents groupes.

Examiner comment le Thompson Sampling améliore les choix en cas d'incertitude et de bruit.

Examiner des méthodes pour identifier les groupes de patients qui réagissent aux traitements dans les essais cliniques.

Une nouvelle méthode améliore la précision des annotations dans la reconnaissance d'objets en utilisant des techniques avancées.

Cet article parle de nouvelles méthodes pour découvrir efficacement des motifs dans les données.

RUMBoost mélange des modèles d'utilité et de l'apprentissage automatique pour améliorer les prévisions de choix de voyage.

Une nouvelle approche améliore la modélisation des systèmes hamiltoniens malgré des données bruyantes.

Une nouvelle méthode accélère la visualisation de données en haute dimension en utilisant des structures de quadtree polaires.

De nouvelles stratégies en apprentissage fédéré améliorent la vie privée et l'efficacité dans l'apprentissage automatique.

Un aperçu de comment l'analyse au niveau de groupe améliore la compréhension des décisions en machine learning.

Cet article passe en revue l'efficacité de quatre méthodes de découverte causale dans des données complexes.

De nouvelles méthodes combinent des données structurées et non structurées pour de meilleures prévisions.

Explore comment l'apprentissage par renforcement hors ligne améliore la prise de décision en analysant les expériences passées.

Explorer l'impact des représentations latentes sur la performance du machine learning.

Une nouvelle approche améliore les modèles génératifs pour des résultats de meilleure qualité dans différents domaines.

Cette étude examine les attaques adversariales sur l'apprentissage profond, en se concentrant sur la performance des CNN.

De nouvelles méthodes améliorent la clarté des prédictions en apprentissage automatique.

Une étude comparant les méthodes d'imputation pour gérer les données manquantes dans des structures hiérarchiques.

Une plongée dans les aspects clés et les défis de l'apprentissage fédéré décentralisé.

L'étude met en avant des problèmes qui touchent l'équité des explications de l'IA selon différents groupes.

Un aperçu de comment on évalue la qualité des prévisions.

Présentation de CAP pour améliorer l'équité et l'efficacité des modèles d'apprentissage machine.

Des chercheurs améliorent la sélection d'anticorps en prédisant l'humanité grâce à l'analyse des données de brevets.

De nouvelles techniques améliorent l'inférence bayésienne dans des systèmes complexes et de haute dimension.

Explorer comment l'entraînement adversarial améliore la robustesse des modèles grâce à la purification des caractéristiques.

Découvrez comment P3LS permet un partage de données sécurisé dans le secteur manufacturier.

Une nouvelle méthode améliore la comparaison des modèles climatiques avec les observations du monde réel.

Une méthode pour réaliser des tests bayésiens tout en protégeant la vie privée des individus.

Une nouvelle approche améliore la précision dans l'estimation des effets de traitement continu dans différents domaines.

Combiner les statistiques bayésiennes et la théorie des décisions pour améliorer la prise de décision avec des données incertaines.

Cette étude explore les réseaux de neurones pour l'estimation de la fonction de score dans les modèles de diffusion.