Statistiques - Apprentissage automatique

Une nouvelle méthode s'attaque au biais de sélection dans l'estimation de l'effet du traitement.

Explorer les avantages des données répétées dans l'entraînement des réseaux de neurones.

Le réagencement des splits de données améliore l'optimisation des hyperparamètres en apprentissage automatique.

Explore des règles de filtrage solides pour une sélection rapide des caractéristiques dans des ensembles de données complexes.

Présentation d'une méthode flexible pour les taux d'apprentissage qui améliore les performances du modèle sans calendriers prédéfinis.

Une nouvelle méthode améliore la fiabilité des prédictions en utilisant plusieurs vues de données.

Apprends comment les réseaux de neurones booléens peuvent simplifier les processus d'apprentissage profond.

Techniques pour améliorer les modèles d'IA en utilisant les retours de contreparties moins capables.

De nouvelles méthodes améliorent la prise de décision dans des scénarios multijoueurs en utilisant des retours basés sur les préférences.

Une étude développe des méthodes automatisées pour améliorer la précision des estimations de charge du réseau électrique.

Une nouvelle méthode améliore la sélection d'exemples et l'optimisation des instructions pour les grands modèles de langage.

Une nouvelle approche en apprentissage fédéré capte les dépendances des données tout en garantissant la confidentialité.

Un nouveau modèle améliore la classification des nœuds en s'appuyant sur des connaissances connexes.

Apprends comment l'inférence bayésienne améliore les réseaux de neurones et la prise de décision.

RFM améliore la génération de données en gérant efficacement les contraintes de frontière.

Explorer le rôle des transformateurs dans la prédiction des résultats de données séquentielles.

Découvre comment les caractéristiques aléatoires simplifient les calculs complexes en apprentissage automatique.

Le matching de flux statistique améliore la modélisation générative pour les défis de données discrètes.

Présentation d'une méthode pour minimiser la sur-optimisation dans les modèles formés avec des retours humains.

Une nouvelle méthode pour estimer la densité des arêtes dans des graphes aléatoires tout en garantissant la vie privée.

Découvrez CrEIMBO, une méthode pour mieux comprendre les interactions neuronales à travers les enregistrements cérébraux.

Les CMDP améliorent la prise de décision en tenant compte du contexte dans différentes applications.

OPERA combine plusieurs méthodes pour une évaluation de politique plus précise en utilisant des données passées.

Une technique d'échantillonnage innovante relève les défis dans les distributions complexes pour l'apprentissage automatique.

Une nouvelle méthode pour améliorer la qualité des images rapidement en utilisant des modèles entraînés.

Un aperçu de comment les réseaux linéaires apprennent et évoluent pendant l'entraînement.

Découvre comment les Leaky ResNets améliorent les techniques d'apprentissage profond.

Découvrez le potentiel de la modulation basée sur des références dans l'art numérique.

Les données synthétiques aident l'analyse de survie en générant des ensembles de données réalistes pour un meilleur modélisation.

Explorer comment les Transformers classifient les données à travers l'information contextuelle.

Une nouvelle méthode simplifie la sélection de variables dans de grands ensembles de données.

Une nouvelle mesure de dissimilarité améliore l'apprentissage par transfert dans des distributions de données variées.

Ce document examine comment le transfert de connaissances améliore la précision des modèles génératifs.

Apprends comment la confidentialité différentielle protège les données individuelles tout en permettant une analyse utile.

Ce papier présente une méthode pour évaluer les modèles de langage à travers différents prompts.

Le boosting par étapes dans la régression distributionnelle améliore l'analyse des données complexes.

Une plongée approfondie dans l'erreur de calibration U et son rôle dans la prédiction des résultats.

Une nouvelle approche pour améliorer la sécurité des modèles en rejetant les prédictions.

Cet article parle de comment les modèles d'IA apprennent de leurs erreurs grâce à l'auto-correction.

Apprends à gérer les interférences dans les décisions basées sur les données.