Statistiques - Apprentissage automatique

FrameFlow propulse la conception de protéines en améliorant la diversité et la fonctionnalité des structures.

Examiner les corrélations faibles et le comportement linéaire dans les réseaux de neurones pendant l'entraînement.

Ce document examine le rôle d'AMP dans les statistiques de haute dimension, en se concentrant sur la régression creuse et robuste.

Méthodes innovantes pour estimer les matrices de covariance tout en protégeant la vie privée des personnes.

Une nouvelle méthode prédit la structure des graphes dynamiques au fil du temps.

Apprends comment les réseaux de caractéristiques améliorent l'apprentissage automatique et l'interprétation des données.

Une nouvelle méthode pour créer des échantillons aléatoires à partir de fonctions caractéristiques en utilisant des réseaux de neurones.

Les RFMs améliorent l'apprentissage des caractéristiques et gèrent efficacement les données de haute dimension.

De nouveaux cadres améliorent la qualité et l'efficacité dans la fabrication additive de métal.

Une nouvelle méthode améliore l'analyse de fiabilité pour des systèmes complexes en utilisant un échantillonnage avancé et l'apprentissage automatique.

Une nouvelle méthode améliore l'identification des données inconnues dans les modèles d'apprentissage automatique.

Un aperçu des modèles à coefficients variables basés sur les arbres pour de meilleures analyses de données.

De nouvelles méthodes aident à estimer les effets causaux quand certains facteurs restent non mesurés.

Utiliser l'apprentissage profond pour améliorer la précision des prix des options sur les paniers.

Cet article examine l'évolution de l'apprentissage hebbien dans les réseaux de neurones.

Un aperçu de la théorie essentielle derrière les modèles d'apprentissage profond.

Ce papier parle d'améliorer l'optimisation stochastique grâce à l'échantillonnage de données récurrent et des méthodes de régularisation.

Cet article examine l'impact des caractéristiques des jeux de données sur la précision des modèles d'apprentissage automatique.

Cet article parle de l'impact de la sous-déclaration des données sur l'équité des modèles prédictifs.

Cette étude évalue les méthodes traditionnelles et basées sur les arbres pour gérer les données manquantes.

Une méthode pour garantir des prévisions de demande précises sur des plateformes de services dynamiques.

Méthodes pour gérer les défis dans les analyses statistiques avec des données dépendantes.

Une nouvelle méthode pour analyser des données fonctionnelles en utilisant des autoencodeurs de réseaux de neurones.

Une nouvelle approche pour évaluer les modèles de machine learning sans données étiquetées.

Cet article traite des problèmes de changement de distribution dans les simulations améliorées par l'apprentissage automatique.

Cette recherche améliore l'apprentissage par renforcement en ligne en utilisant la modélisation du rapport de densité pour une meilleure exploration.

La régularisation de la dimensionnalité locale propose des solutions pour améliorer la qualité de la représentation SSL.

FREED++ montre une génération de médicaments améliorée avec un design moléculaire et des performances renforcées.

Découvrez comment le métrique de désaccord minimal améliore l'efficacité de l'apprentissage actif.

Cet article parle de l'utilisation de données agrégées en machine learning tout en protégeant la vie privée.

Une nouvelle approche pour améliorer l'optimisation dans des scénarios complexes en utilisant des simulations.

Une nouvelle façon d'analyser les effets variés des traitements sur différents groupes.

Examiner comment le Thompson Sampling améliore les choix en cas d'incertitude et de bruit.

Examiner des méthodes pour identifier les groupes de patients qui réagissent aux traitements dans les essais cliniques.

Une nouvelle méthode améliore la précision des annotations dans la reconnaissance d'objets en utilisant des techniques avancées.

Cet article parle de nouvelles méthodes pour découvrir efficacement des motifs dans les données.

RUMBoost mélange des modèles d'utilité et de l'apprentissage automatique pour améliorer les prévisions de choix de voyage.

Une nouvelle approche améliore la modélisation des systèmes hamiltoniens malgré des données bruyantes.

Une nouvelle méthode accélère la visualisation de données en haute dimension en utilisant des structures de quadtree polaires.

De nouvelles stratégies en apprentissage fédéré améliorent la vie privée et l'efficacité dans l'apprentissage automatique.