Statistiques - Apprentissage automatique

Un aperçu des techniques de modélisation générative et de leurs applications en IA.

Cette étude développe des algorithmes pour améliorer la résistance des systèmes distribués aux appareils défaillants.

Une nouvelle méthode combine l'apprentissage profond et les algorithmes génétiques pour une inférence bayésienne plus rapide.

Introduction de la distance de Wasserstein partielle robuste pour une meilleure comparaison des données.

Une nouvelle méthode améliore la fiabilité des prédictions en s'attaquant à l'incertitude dans l'apprentissage automatique.

Nouvelles méthodes pour la collaboration préservant la vie privée dans l'apprentissage fédéré vertical.

Explorer le contrôle fédéré dans l'apprentissage par renforcement pour que les agents collaborent en toute sécurité.

Exploiter des données externes pour une meilleure sélection de caractéristiques dans les études génomiques.

Présentation d'un cadre pour quantifier l'incertitude dans les modèles prédictifs, surtout dans des espaces de données complexes.

L'apprentissage par renforcement robuste adapte des stratégies pour des résultats fiables malgré les défis du monde réel.

Une nouvelle méthode améliore la qualité des solutions dans les défis d'imagerie médicale.

Comprendre comment l'IA prend des décisions est super important pour la confiance et une utilisation éthique.

Les contrefactuels révèlent des trucs intéressants mais posent des risques pour la vie privée en apprentissage automatique.

Présentation d'une nouvelle approche pour un échantillonnage efficace à partir de distributions complexes.

Examiner le rôle de l'apprentissage profond dans l'amélioration des modèles causaux.

Explorer le rôle des algorithmes aléatoires dans la simplification des données complexes.

Explorer comment les GMFGs modélisent des interactions diverses entre les agents dans des systèmes complexes.

De nouveaux modèles améliorent les prévisions sur la durée de vie des machines grâce à l'apprentissage profond.

De nouvelles méthodes améliorent la performance des tâches principales en utilisant des données auxiliaires sans coûts de calcul supplémentaires.

Une nouvelle méthode de filtrage s'attaque aux valeurs aberrantes pour une meilleure précision des données.

Cet article examine comment les réseaux ReLU approchent des fonctions à faible régularité.

Une nouvelle méthode pour analyser des données catégorielles tout en garantissant la confidentialité.

Une nouvelle méthode pour estimer les effets des traitements en utilisant des essais contrôlés et des données du monde réel.

Apprends comment le CME et la compression améliorent les prédictions à partir de données complexes.

Ce boulot montre comment différents facteurs s'influencent les uns les autres dans des systèmes complexes.

Une méthode pour construire des zones de confiance dans les équations statistiques pour les effets de traitement.

Améliorer la performance des DNN grâce à des méthodes d'échantillonnage de données efficaces.

Un aperçu de comment l'échantillonnage de Thompson aide à la prise de décision en cas d'incertitude.

Présentation d'une nouvelle méthode pour évaluer la qualité des données dans l'apprentissage automatique.

Cette étude présente de nouveaux algorithmes pour apprendre des réseaux bayésiens en utilisant des techniques d'apprentissage en ligne.

Cette étude examine comment la curiosité influence l'efficacité de l'exploration chez les agents artificiels.

Une méthode pour améliorer l'analyse de données distribuées et de haute dimension dans divers domaines.

Présentation de SGBD : une technique pour améliorer l'efficacité de l'échantillonnage bayésien.

Cet article présente des méthodes pour optimiser les évaluations en tenant compte des coûts de changement dans l'optimisation bayésienne.

De nouvelles méthodes améliorent l'efficacité du filtrage de Kalman et les estimations d'incertitude dans des contextes à haute dimension.

Une nouvelle méthode améliore la quantification de l'incertitude dans les modèles entraînés de manière adversariale.

Une nouvelle méthode crée des intervalles de prédiction fiables en utilisant des données diverses tout en garantissant la confidentialité.

Les techniques de machine learning font avancer l'étude des 3-manifolds complexes et de leurs triangulations.

WGBoost offre des prédictions probabilistes avancées et une meilleure gestion de l'incertitude dans différents domaines.

Cet article parle de nouvelles idées sur la régression causale pour prendre de meilleures décisions.