Statistiques - Apprentissage automatique

Présentation du processus de Dirichlet graphique pour un clustering efficace de groupes non échangeables.

De nouvelles méthodes montrent comment la voix peut révéler la gravité de la dépression.

JANA simplifie la modélisation bayésienne pour une analyse de données plus rapide et plus précise.

Aperçus sur comment la taille des pas et le hasard influencent les méthodes d'entraînement des réseaux de neurones.

Découvre comment l'apprentissage actif améliore la performance des modèles avec moins de données étiquetées.

Un aperçu de l'approche de l'apprentissage fédéré en matière de vie privée et d'engagement des utilisateurs.

Ce travail propose des perspectives nouvelles sur les modèles génératifs et leurs métriques de performance.

Un aperçu des GLM et leur relation avec les mélanges gaussiens.

L'apprentissage actif s'attaque au défi de labelliser les données efficacement en machine learning.

La sélection de pseudo-étiquettes bayésiennes améliore l'entraînement des modèles avec des données étiquetées limitées.

Explorer les mesures d'équité dans les modèles de scores de risque dans différents domaines.

De nouvelles méthodes améliorent l'analyse des arbres phylogénétiques grâce à des techniques d'apprentissage automatique.

Explorer comment les modèles graphiques montrent les schémas de propagation des maladies au fil du temps.

De nouvelles méthodes d'échantillonnage améliorent l'efficacité et la précision des réseaux de neurones bayésiens.

Cette recherche examine comment les mélanges gaussiens peuvent améliorer les techniques de modélisation des données.

Une nouvelle méthode s'attaque à l'endogénéité dans l'analyse de données en ligne en utilisant la régression en deux étapes des moindres carrés.

Examiner SMD et SGD pour une meilleure généralisation des modèles.

Cet article parle des méthodes pour améliorer les prévisions avec des données déséquilibrées en régression.

Découvre comment l'optimisation des variétés améliore les algorithmes de machine learning et les performances des modèles.

Un regard de plus près sur les IBNNs et leur rôle dans la gestion de l'incertitude en apprentissage automatique.

Cet article met en avant le rôle des noyaux non-séparables dans les processus gaussiens.

GDKL combine l'apprentissage profond et les processus gaussiens pour des prévisions et des incertitudes améliorées.

Une nouvelle approche pour atteindre l'équité dans les modèles prédictifs de régression.

Une nouvelle méthode améliore l'apprentissage automatique pour les données fonctionnelles continues.

Un nouveau modèle améliore l'adaptation aux données changeantes avec un coût computationnel faible.

Cet article parle de l'entraînement de deep transformers sans connexions de saut et sans couches de normalisation.

Des avancées récentes lient les fonctions cérébrales à des modèles de réseaux neuronaux pour une meilleure compréhension.

Amélioration des méthodes d'inférence pour les systèmes complexes en utilisant les GPSSM.

Examen de la continuité de Lipschitz et son rôle dans la performance et la robustesse des réseaux de neurones.

Explore des méthodes pour des prédictions fiables en apprentissage automatique à travers des ensembles de confiance.

Une étude sur des méthodes d'échantillonnage efficaces utilisant les flux de gradient pour des applications variées.

Un aperçu du risque excessif et de la minimisation du risque empirique avec des pertes exp-concaves.

Une nouvelle méthode simplifie l'apprentissage infomin tout en garantissant l'équité des prédictions.

Cet article parle des techniques pour gérer les données manquantes afin d'avoir une analyse précise.

Une nouvelle méthode estime les effets à long terme en utilisant des données expérimentales et d'observation.

Améliorer les méthodes de classification pour de meilleurs résultats en santé et développement de médicaments.

SurvLIMEpy améliore l'interprétabilité des modèles d'analyse de survie grâce à l'importance des caractéristiques.

Un nouveau modèle améliore la façon dont les données sont générées en comprenant les facteurs causaux.

Examiner les défis et les solutions au biais dans la technologie de génération de visages.

Les modèles de diffusion changent la manière dont les images et les médias sont créés en utilisant des modèles de données.