Statistiques - Apprentissage automatique

De nouvelles limites pour les GNN améliorent la performance contre les attaques adversariales.

De nouvelles méthodes améliorent la vitesse et l'efficacité des processus gaussiens pour la prédiction de données.

Nouvelles méthodes pour protéger les données sensibles contre l'accès non autorisé dans l'apprentissage automatique.

Explore comment les jeux de données synthétiques améliorent la performance des modèles de machine learning et la sélection des modèles.

S'attaquer au défi de la vie privée dans la prise de décision basée sur les données pour la santé.

Un nouvel algorithme améliore l'efficacité du RL hors ligne avec des structures MDP de bas rang.

Explorer comment des tailles de lots plus grandes améliorent la confidentialité différentielle en apprentissage automatique.

Une nouvelle approche des métriques améliore l'efficacité des tests A/B et la prise de décision.

Les algos améliorent les stratégies des joueurs dans des environnements de jeu incertains.

Cette étude examine des fonctions d'activation adaptatives pour améliorer les performances du modèle dans des scénarios avec peu de données.

Une nouvelle approche améliore la précision des prédictions en s'attaquant aux paramètres nuisibles.

Recherche sur comment le biais inductif affecte la performance des modèles Transformer.

Cet article examine comment les algorithmes de machine learning apprennent et appliquent des connaissances à de nouvelles données.

Explorer de nouvelles méthodes pour améliorer les modèles de diffusion dans la génération d'échantillons de distributions complexes.

Un nouvel algorithme améliore l'apprentissage des relations complexes entre les variables en utilisant des MAGs.

Examiner comment les processus de Hawkes marqués éclairent les interactions entre événements au fil du temps.

Explorer le lien entre les matrices de poids et l'apprentissage des caractéristiques dans les réseaux de neurones.

Une nouvelle approche pour estimer les effets du traitement tout en prenant en compte l'incertitude individuelle.

Apprends comment les modèles génératifs basés sur les scores créent de nouvelles données à partir de bruit.

Cette étude améliore la prise de décision dans des scénarios d'exploration limités en utilisant des informations antérieures.

Méthodes pour prédire des données invisibles à partir d'échantillons observés.

Examiner l'auto-attention et la descente de gradient dans les modèles de transformateurs.

Un aperçu de la capacité de mémoire dans les machines à comité en forme d'arbre large et ses implications.

Cet article explore comment les machines à comités en forme d'arbre gèrent la capacité de mémoire avec différentes activations.

SAGD-IV propose une approche flexible pour analyser les relations de cause à effet dans des ensembles de données complexes.

Explorer des méthodes de confidentialité différentielle dans l'apprentissage par renforcement pour protéger les données sensibles.

Un nouveau cadre pour analyser les données longitudinales avec des valeurs manquantes dans divers domaines.

De nouvelles méthodes améliorent la fiabilité des prévisions de l'IA, surtout dans des domaines cruciaux.

Une nouvelle méthode améliore l'efficacité d'échantillonnage pour des distributions de probabilité complexes.

Stratégies pour apprendre efficacement à partir de données qui dépendent des observations précédentes.

Une analyse des Transformers et de leurs méthodes d'apprentissage autoregressives en contexte.

Examiner l'entraînement adversarial pour des modèles de machine learning plus robustes face aux attaques.

Un aperçu du rôle de la régression logistique à noyau dans la prédiction des choix humains.

Un aperçu des défis de la prévision dans des systèmes dynamiques complexes.

Une nouvelle étude examine le rôle de l'apprentissage de la représentation dans les tâches de graphes.

Une nouvelle méthode améliore la vitesse et la qualité des modèles d'images génératives.

De nouvelles techniques améliorent l'efficacité de la communication dans l'entraînement de modèles distribués.

Un aperçu des méthodes pour apprendre des structures d'arbres gaussiens et de polytrees.

Le modèle ProFITi prédit des résultats à partir de séries temporelles échantillonnées de manière irrégulière.

Un regard plus profond sur comment les flux basés sur le couplage modélisent des distributions de données complexes.