Statistiques - Apprentissage automatique

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.

Une méthode pour améliorer l'équité dans la prédiction de liens dans les GNN.

Un nouveau modèle VAE améliore la création de données synthétiques tout en garantissant la confidentialité.

Explore les Flots Normalisés et leur impact sur l'analyse de données complexes.

Une nouvelle approche aide à identifier la discrimination dans les systèmes de prise de décision automatisés.

Un aperçu des méthodes de traitement des données pour améliorer les résultats des modèles prédictifs.

Cette étude améliore les méthodes d'échantillonnage à partir de distributions complexes en utilisant des idées de divergence KL.

Cette étude examine le rôle de la moyenne de Karcher dans les matrices semi-définies positives et l'apprentissage distribué.

Une approche ciblée pour améliorer la précision de l'inférence variationnelle.

Un nouvel algorithme pour estimer les transformations malgré les erreurs de données.

Améliorer la prédiction conforme en utilisant l'apprentissage auto-supervisé pour de meilleures estimations d'incertitude.

Un aperçu de comment l'apprentissage de structure bayésienne améliore la modélisation des données.

Les chercheurs explorent de nouvelles méthodes pour analyser les données de survie en utilisant des techniques d'apprentissage automatique.

VaLLA améliore les prédictions en fournissant des estimations d'incertitude fiables dans les réseaux de neurones profonds.

Examiner l'intersection entre la confidentialité différentielle et les défis d'optimisation.