Statistiques - Apprentissage automatique

Le regroupement multi-tâches améliore l'efficacité d'apprentissage et les perf' dans différentes applis d'IA.

Ce modèle propose une nouvelle façon de comprendre la personnalité en psychologie.

Une nouvelle approche pour maximiser les profits grâce à une gestion efficace de l'assortiment dans le retail.

La fusion CCA améliore la performance des modèles en combinant efficacement des caractéristiques uniques de différents modèles.

Présentation du Mamba Hawkes Process pour mieux comprendre le timing des événements.

Un nouveau cadre pour optimiser des problèmes convexes géodésiques complexes dans différents domaines.

Une nouvelle méthode améliore l'apprentissage multi-tâches dans les modèles de langage en partageant des connaissances.

CausalRegNet améliore l'apprentissage des structures causales grâce à une génération de données réalistes.

Analyser les sons d'un enfant révèle des étapes cruciales de la croissance du langage.

Un aperçu des DNN et des réseaux Accordéon dans la gestion des données de haute dimension.

Cet article met en avant des méthodes pour trouver des relations causales dans des données de séries temporelles changeantes.

Une nouvelle méthode pour identifier les changements dans les données de séries temporelles et leurs relations.

Explorer comment les modèles d'espace d'état linéaires apprennent et ce qui façonne leur dynamique.

Un nouveau modèle améliore l'efficacité du traitement des longues séquences en utilisant des matrices de rotation.

Combiner les méthodes existantes améliore la détection OOD pour des applis de machine learning plus sûres.

Une nouvelle méthode améliore la précision et l'efficacité du regroupement de graphes.

Apprends à améliorer les prédictions des modèles même quand les distributions de données changent.

ED-VAE améliore la génération de données en s'attaquant aux limites des VAEs traditionnels.

Présentation de A-DLISTA et VLISTA pour un traitement du signal avancé.

Une nouvelle méthode améliore la détection des anomalies dans les images médicales sans étiquettes préalables.

De nouvelles méthodes améliorent la précision et l'efficacité dans la résolution des problèmes inverses.

Local-DSM améliore les modèles de diffusion pour gérer des données complexes et non linéaires.

Explorer le rôle des intuitions géométriques dans l'amélioration des méthodes d'apprentissage de la représentation.

Ce papier explore l'impact du bruit sur les sorties softmax et la précision de classification.

Explorer l'intersection de la vie privée des données et des méthodes d'apprentissage continu.

Aborder la contamination des données dans les prédictions avec des méthodes conformes avancées.

Une nouvelle méthode améliore l'apprentissage des prototypes en utilisant des techniques de théorie du code.

Une nouvelle approche pour l'allocation des ressources dans les programmes sociaux met l'accent sur les besoins et l'évaluation.

Une nouvelle méthode améliore la quantification de l'incertitude dans l'analyse de données.

La recherche se concentre sur l'amélioration des défenses en apprentissage automatique contre les attaques adversariales.

Explorer les défis de s'adapter aux récompenses changeantes dans la prise de décision.

Une nouvelle approche pour améliorer la représentation des identités intersectionnelles dans la recherche d'images.

Un nouveau modèle améliore la génération de séquences en combinant les forces des VAE et des SSM.

FedLog améliore l'apprentissage fédéré avec une communication efficace et la protection des données.

Ce doc s'intéresse à la synergie entre l'apprentissage fédéré et les applis de contrôle.

Un cadre pour analyser les relations causales dans des scénarios extrêmes.

Une nouvelle approche pour améliorer la compréhension des prédictions des GNN grâce aux relations causales.

De nouvelles méthodes améliorent la précision dans la mesure des distances entre les points de données.

Un aperçu des méthodes pour étudier les processus en évolution dans différents domaines.

Enquête sur des méthodes plus rapides pour les tests à deux échantillons en utilisant des caractéristiques de Fourier aléatoires.