Statistiques - Apprentissage automatique

Une méthode pour détecter la surchauffe des moteurs marins dans des conditions changeantes.

Une nouvelle méthode améliore l'apprentissage multi-tâches en agrégeant les cibles et les caractéristiques.

Un aperçu des avancées des GNN et de leur interprétabilité.

Une nouvelle méthode examine comment les données d'entraînement affectent les résultats des modèles d'IA.

De nouveaux algorithmes améliorent l'échantillonnage à partir de distributions connues et inconnues pour des applications pratiques.

Un aperçu des avantages et des défis potentiels de l'apprentissage profond analogique dans l'intelligence artificielle.

Cette méthode améliore la compréhension du comportement du modèle grâce aux relations entrée-sortie.

De nouvelles méthodes améliorent les prédictions des modèles d'apprentissage automatique en utilisant des données expérimentales.

Une nouvelle approche améliore la prise de décision en s'adaptant aux insights des environnements à faible coût.

Une nouvelle méthode pour un modélisation de sujets efficace dans de grands textes.

Apprends comment le réchauffement peut améliorer la performance d'entraînement des modèles en deep learning.

Un nouveau modèle améliore la génération de graphes en utilisant des techniques de diffusion avancées.

Une plongée profonde dans comment la descente de gradient stochastique optimise la performance des modèles.

Explore les estimateurs clés pour la régression linéaire et leur impact sur les prédictions.

Explorer comment les techniques d'apprentissage automatique aident à résoudre des problèmes inverses dans différents domaines.

Un aperçu concis des modèles de régression par facteur et de leurs applications.

Un aperçu de deux approches clés en science des données et de leurs forces uniques.

Une nouvelle approche améliore la modélisation de la distribution des données sur des formes complexes.

Découvre comment les modèles de diffusion génèrent des données réalistes en manipulant le bruit.

Découvre comment les modèles de diffusion transforment le bruit en échantillons de données réalistes.

Une nouvelle méthode pour comparer les mécanismes de confidentialité dans l'apprentissage machine.

La recherche améliore les modèles en s'attaquant à l'incertitude dans les Équations Différentielles Universelles.

Apprends comment les algorithmes d'augmentation des données améliorent l'analyse des données et la création de modèles.

Un nouvel algorithme s'attaque aux défis de l'optimisation à deux niveaux avec des contraintes couplées.

Une nouvelle méthode améliore la collecte de feedback pour les modèles de langue, ce qui fait gagner du temps et de l'argent.

Présentation d'une approche innovante qui conserve les angles pour visualiser des données de haute dimension.

Ce papier se concentre sur l'amélioration de la fiabilité des sorties des modèles de langue.

Cette technique améliore la précision des prédictions en quantifiant efficacement l'incertitude.

Apprends comment la divergence de Bregman aide à mesurer les différences de données et à améliorer les modèles d'apprentissage automatique.

Présentation d'une nouvelle méthode pour améliorer l'efficacité des grands modèles de langage grâce à l'élagage.

Une nouvelle approche améliore la précision de la découverte causale dans des relations de données complexes.

Apprends comment le mini-batch SGD améliore l'entraînement des réseaux de neurones et la sélection de caractéristiques.

Une nouvelle méthode pour améliorer la sélection des donneurs pour l'estimation des effets causals.

Cet article parle du rôle des procédures minimax pour améliorer la précision de la régression linéaire.

UNHaP détecte efficacement les événements physiologiques en filtrant le bruit des signaux authentiques.

Une nouvelle méthode améliore l'orientation dans les modèles de diffusion en utilisant l'apprentissage par renforcement.

Découvrez comment le Routing-by-Memory améliore les performances des MLP dans les réseaux de neurones graphiques.

Cet article parle des méthodes pour améliorer les réseaux de neurones grâce à l'équivariance et la symétrie.

Présentation de jointLCA, une méthode pour mieux comprendre les connexions dans les données multivues.

Cette étude se concentre sur l'apprentissage par renforcement hors ligne et le développement d'algorithmes pour améliorer la prise de décision.