Statistiques - Apprentissage automatique

Ce papier propose une méthode pour convertir l'ICL en poids de modèle afin d'améliorer la performance.

Une étude sur les capacités d'apprentissage des grands modèles de langage dans des tâches d'arithmétique modulaire.

Un aperçu des méthodes pour estimer les effets des traitements en utilisant des données du monde réel.

Apprends comment les coresets améliorent l'efficacité dans l'analyse de régression multiple.

Examiner des méthodes pour une distribution juste d'articles périssables dans des environnements avec peu de ressources.

GENTLE fait avancer l'apprentissage machine en apprenant efficacement des distributions conditionnelles à partir de données limitées.

Cet article explore des solutions à la sur-lissage dans les réseaux de neurones graphiques, en se concentrant sur les GCN.

Cette méthode améliore l'efficacité de la communication dans l'apprentissage fédéré tout en préservant la confidentialité des données.

Explore comment la taille du lot affecte l'entraînement des modèles de machine learning.

Ce travail présente des méthodes pour identifier et estimer les effets causaux dans des modèles complexes.

Une nouvelle méthode améliore l'échantillonnage multimodal en apprentissage automatique.

Une méthode pour améliorer l'analyse des études avec des informations manquantes.

Une nouvelle méthode améliore la génération d'images en utilisant efficacement des ensembles de données limités.

RPO améliore la rapidité et la sécurité de la prise de décision dans l'apprentissage par renforcement grâce à l'apprentissage réfléchi.

De nouvelles méthodes améliorent la détection des symétries complexes dans les données pour de meilleurs modèles d'apprentissage automatique.

Explorer des méthodes pour améliorer la prise de décision en utilisant les données existantes.

Découvrez comment les poids à queue lourde améliorent l'adaptabilité et la performance des réseaux de neurones profonds.

Explorer de nouvelles méthodes pour améliorer l'estimation de l'incertitude dans les réseaux de neurones bayésiens.

Une nouvelle méthode pour améliorer l'échantillonnage en apprentissage automatique avec une meilleure confidentialité.

Une nouvelle méthode améliore la précision des intervalles de prévision pour des décisions fiables.

Apprends comment le poids d'importance améliore les performances des modèles en cas de décalage des covariables.

Explore les avantages et les applications de l'adaptation de faible rang dans les modèles d'IA.

Cette étude explore comment les transformers apprennent à partir de processus de Markov grâce à l'initialisation et au flux de gradient.

Découvrez des méthodes efficaces pour identifier les meilleures options dans des situations de prise de décision.

Cet article parle des structures dans les graphes et introduit la centralité relative pour une meilleure analyse.

Apprends comment la réduction de dimension aide les scientifiques à analyser des données biologiques.

Les modèles de diffusion masqués montrent du potentiel dans la modélisation générative pour le texte et les images.

Présentation d'une nouvelle méthode pour les réseaux de neurones bayésiens qui améliore la modélisation de l'incertitude.

Cette méthode améliore la sélection des données dans l'optimisation bayésienne, augmentant l'efficacité et les résultats.

Une nouvelle approche améliore la précision des évaluations des modèles linguistiques.

Cet article explore la surparamétrisation et son impact sur l'efficacité de l'entraînement des modèles.

Cette étude évalue les techniques d'analyse de survie en utilisant des ensembles de données simples avec des données manquantes.

Ce papier explore des moyens d'améliorer l'évaluation de la calibration des modèles et de la précision prédictive.

Découvre comment les sous-espaces aléatoires améliorent la généralisation des modèles en apprentissage automatique.

Cette étude examine l'inférence variationnelle en utilisant des mélanges gaussiens à variance fixe.

Cet article explore les défis pour atteindre l'équité en apprentissage automatique entre différents groupes démographiques.

Présentation d'un modèle qui combine des transformations basées sur des arbres pour une génération de résultats efficace.

Présentation de nouveaux solveurs pour un transport optimal efficace en apprentissage automatique.

Examiner comment l'entraînement influence la performance du modèle dans des situations adversariales.

Une nouvelle approche pour le regroupement en utilisant des modèles de blocs stochastiques à vues multiples.