Statistiques - Apprentissage automatique

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.

Une nouvelle méthode estime les effets causaux en utilisant peu d'interventions, même avec des facteurs cachés.

Cette étude améliore la performance des classificateurs grâce à des stratégies ciblées dans l'apprentissage par labels partiels multi-instance.

Un aperçu détaillé de la formation et des dynamiques dans l'apprentissage automatique.

RSCUSUM propose une solution pour détecter les changements dans les données de manière efficace et précise.

La recherche se concentre sur les caractéristiques des plantes en utilisant des techniques d'imagerie avancées et des algorithmes d'apprentissage automatique.

Une nouvelle méthode pour de meilleurs ensembles de prédiction en utilisant plusieurs fonctions de score.

ASkotch améliore l'efficacité de la régression par crête pour les gros jeux de données.

Apprends comment les processus gaussiens améliorent les prévisions et gèrent l'incertitude dans l'analyse de données.

Une nouvelle méthode améliore le traitement des données en physique des particules en se concentrant sur les moments.

La recherche explore comment estimer des statistiques tout en respectant les besoins de confidentialité des utilisateurs.

Un nouveau cadre améliore la modélisation prédictive en fusionnant différentes sources de données d'ingénierie.

Cet article parle d'une méthode unifiée pour évaluer et améliorer la sécurité routière.

AdapTable améliore les prévisions des modèles malgré les changements dans les données des tables sans avoir besoin de réentraîner.

Évaluer les biais dans l'apprentissage automatique peut conduire à des résultats plus équitables pour tous.

Un nouvel algorithme améliore l'échantillonnage par tranches elliptiques pour les distributions tronquées.

Un aperçu de l'importance des distributions subweibull en analyse de données.

Un nouveau cadre relie la théorie à la pratique en apprentissage automatique.

Une nouvelle méthode simplifie la résolution des équations différentielles partielles paraboliques.

Examiner les défis de l'interprétation des modèles de régression linéaire en apprentissage automatique.

Une nouvelle approche améliore les modèles génératifs pour une découverte de composés plus efficace.

Cette étude examine comment les petits boulots affectent les résultats en maths des lycéens.

Une nouvelle méthode améliore l'apprentissage à partir de données complexes en utilisant des proximités de Wasserstein.

Un nouvel algorithme améliore l'efficacité de l'entraînement pour les Réseaux de Neurones de Fourier Aléatoires.

Explore différentes méthodes pour identifier des anomalies dans plusieurs domaines.

Un aperçu des dernières techniques pour classer des données sans étiquettes.

Une étude sur l'amélioration des méthodes UDA via l'évaluation et la compréhension des décalages de données.

L'apprentissage automatique offre de nouvelles perspectives sur la sclérodermie systémique, améliorant le diagnostic et le traitement.

NeuroSynth génère des données IRM synthétiques pour améliorer les études sur la santé cérébrale.

Un cadre pour classifier les divers styles de conduite afin d'améliorer la sécurité routière.

Examen de la confidentialité différentielle dans les données de transport spatiotemporelles pour protéger les utilisateurs.

RINO propose une nouvelle méthode pour résoudre les équations différentielles partielles de manière efficace.

Explorer des techniques avancées pour un échantillonnage uniforme dans des formes géométriques complexes.

Explorer comment les modèles passent de la mémorisation à la généralisation efficace.

Une nouvelle approche simplifie l'estimation des paramètres dans des modèles qui n'ont pas de fonctions de vraisemblance claires.