Statistiques - Apprentissage automatique

Apprends comment les bandits contextuels hors ligne améliorent les choix en utilisant les expériences passées.

Explore les principes et les applications de l'approximation stochastique dans des environnements incertains.

De nouvelles méthodes améliorent la compréhension de l'activité cérébrale grâce à l'analyse des données neuronales.

Une étude met en lumière des différences d'accès à l'IA entre les groupes ethniques.

Étudier les propriétés du boson de Higgs donne des pistes sur des questions fondamentales en physique.

Apprends comment les attaques par backdoor menacent les systèmes d'apprentissage machine et les méthodes pour s'en défendre.

Analyser le lien entre la pollution et la hausse des températures pour des actions politiques efficaces.

Un aperçu de comment gérer les erreurs dans les modèles génératifs basés sur les scores.

Présenter des solutions potentielles à des tâches d'imagerie complexes avec clarté.

Examiner comment les modèles de transformateur s'améliorent avec la taille et la complexité.

Un aperçu de comment la calibration influence les prédictions et la fiabilité des modèles.

Une étude analyse la généralisation et la performance de la régression ridge avec caractéristiques aléatoires en utilisant des valeurs propres.

Cet article présente une méthode pour réduire les coûts de calcul dans l'estimation de quantités inconnues.

Freya PAGE améliore l'efficacité dans le calcul distribué avec des vitesses d'ordinateur inégales.

Une étude sur l'amélioration de l'entraînement des réseaux de neurones avec des fonctions d'activation non différentiables.

Un aperçu du rôle de l'approximation de Bethe dans la prédiction des résultats dans des systèmes complexes.

Une nouvelle méthode s'attaque au biais de sélection dans l'estimation de l'effet du traitement.

Explorer les avantages des données répétées dans l'entraînement des réseaux de neurones.

Le réagencement des splits de données améliore l'optimisation des hyperparamètres en apprentissage automatique.

Explore des règles de filtrage solides pour une sélection rapide des caractéristiques dans des ensembles de données complexes.

Présentation d'une méthode flexible pour les taux d'apprentissage qui améliore les performances du modèle sans calendriers prédéfinis.

Une nouvelle méthode améliore la fiabilité des prédictions en utilisant plusieurs vues de données.

Apprends comment les réseaux de neurones booléens peuvent simplifier les processus d'apprentissage profond.

Techniques pour améliorer les modèles d'IA en utilisant les retours de contreparties moins capables.

De nouvelles méthodes améliorent la prise de décision dans des scénarios multijoueurs en utilisant des retours basés sur les préférences.

Une étude développe des méthodes automatisées pour améliorer la précision des estimations de charge du réseau électrique.

Une nouvelle méthode améliore la sélection d'exemples et l'optimisation des instructions pour les grands modèles de langage.

Une nouvelle approche en apprentissage fédéré capte les dépendances des données tout en garantissant la confidentialité.

Un nouveau modèle améliore la classification des nœuds en s'appuyant sur des connaissances connexes.

Apprends comment l'inférence bayésienne améliore les réseaux de neurones et la prise de décision.

RFM améliore la génération de données en gérant efficacement les contraintes de frontière.

Explorer le rôle des transformateurs dans la prédiction des résultats de données séquentielles.

Découvre comment les caractéristiques aléatoires simplifient les calculs complexes en apprentissage automatique.

Le matching de flux statistique améliore la modélisation générative pour les défis de données discrètes.

Présentation d'une méthode pour minimiser la sur-optimisation dans les modèles formés avec des retours humains.

Une nouvelle méthode pour estimer la densité des arêtes dans des graphes aléatoires tout en garantissant la vie privée.

Découvrez CrEIMBO, une méthode pour mieux comprendre les interactions neuronales à travers les enregistrements cérébraux.

Les CMDP améliorent la prise de décision en tenant compte du contexte dans différentes applications.

OPERA combine plusieurs méthodes pour une évaluation de politique plus précise en utilisant des données passées.

Une technique d'échantillonnage innovante relève les défis dans les distributions complexes pour l'apprentissage automatique.